[ Skip to the content ]

Institute of Formal and Applied Linguistics Wiki


[ Back to the navigation ]

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revision Previous revision
Next revision
Previous revision
Next revision Both sides next revision
user:zeman:dz-parser:conll [2008/03/28 15:49]
zeman Oprava výchozích výsledků. Nyní se opravdu neupravují morfologické značky a správně se ukládají události s tabulátory.
user:zeman:dz-parser:conll [2008/03/28 18:57]
zeman
Line 29: Line 29:
 ($PARSER/parse.pl -m $JAZYK.stat < $DATA/$ROK/$JAZYK/dtest.csts > $JAZYK.dtest.dz.csts) >& $JAZYK.dtest.log</code> ($PARSER/parse.pl -m $JAZYK.stat < $DATA/$ROK/$JAZYK/dtest.csts > $JAZYK.dtest.dz.csts) >& $JAZYK.dtest.log</code>
  
 +===== Výsledky =====
  
 +==== Výchozí nastavení ====
  
 +Následující tabulka ukazuje úspěšnost DZ parseru s výchozím nastavením na průběžných testovacích datech CoNLL, s původními neupravenými značkami CoNLL (tabulátory, rysy oddělené svislítky).
  
 +| Jazyk | Rok | P |
 +| ar | 2006 | 63.9 |
 +| ar | 2007 | 64.9 |
 +| bg | 2006 | 72.3 |
 +| ca | 2007 | 72.7 |
 +| cs | 2006 | 64.1 |
 +| cs | 2007 | 69.1 |
 +| da | 2006 | 69.9 |
 +| de | 2006 | 71.8 |
 +| el | 2007 | 65.0 |
 +| en | 2007 | 70.6 |
 +| eu | 2007 | 58.6 |
 +| hu | 2007 | 62.3 |
 +| it | 2007 | 71.5 |
 +| ja | 2006 | 87.3 |
 +| nl | 2006 | 73.7 |
 +| pt | 2006 | 73.8 |
 +| sl | 2006 | 58.7 |
 +| sv | 2006 | 71.0 |
 +| tr | 2007 | 64.6 |
 +| zh | 2006 | 69.9 |
 +| zh | 2007 | 69.0 |
  
 +Následující tabulka srovnává výsledky s původními značkami CoNLL a výsledky se značkami PDT. Data jsou dtest. Nastavení parseru je výchozí, tj. úprava značek ani selektivní lexikalizace není zapnuta. Poslední sloupec říká, zda je změna úspěšnosti statisticky významná podle McNemarova testu na úrovni 0,05 (χ<html><sup>2</sup></html> ≥ 3,84).
  
 +| Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar |
 +| ar | 2006 | 63.9 | 66.8 | lepší | ano (19.858476) |
 +| ar | 2007 | 64.9 | 64.2 | horší | ne (1.497453) |
 +| bg | 2006 | 72.3 | 71.2 | horší | ne (3.205607) |
 +| cs | 2006 | 64.1 | 64.1 | lepší | ne (0.007519) |
 +| cs | 2007 | 69.1 | 68.6 | horší | ano (3.948357) |
 +| da | 2006 | 69.9 | 70.5 | lepší | ne (2.082218) |
 +| en | 2007 | 70.6 | 65.4 | horší | ano (227.951382) |
 +| sv | 2006 | 71.0 | 72.6 | lepší | ano (12.763713) |
 +| zh | 2006 | 69.9 | 68.4 | horší | ne (1.574297) |
 +| zh | 2007 | 69.0 | 63.7 | horší | ano (22.360248) |
  
 +U čínštiny lze zhoršení snadno vysvětlit. Čínská sada značek se velmi liší od ostatních, do Intersetu se vejde jen nepatrný zlomek informace, kterou značky nesou, takže ztráta informace při převodu značek je mimořádně veliká.
  
 +==== 01: zapnuté upravování značek a selektivní lexikalizace ====
  
 +Následující tabulka ukazuje úspěšnost DZ parseru se zapnutou úpravou morfologických značek a selektivní lexikalizací na průběžných testovacích datech CoNLL, s původními značkami CoNLL (tabulátory, rysy oddělené svislítky).
 +
 +| Jazyk | Rok | P |
 +| ar | 2006 | 64.3 |
 +| ar | 2007 | 59.8 |
 +| bg | 2006 | 67.9 |
 +| ca | 2007 | 69.9 |
 +| cs | 2006 | 56.0 |
 +| cs | 2007 | 58.7 |
 +| da | 2006 | 69.3 |
 +| de | 2006 | 68.5 |
 +| el | 2007 | 67.5 |
 +| en | 2007 | 64.7 |
 +| eu | 2007 | 58.4 |
 +| hu | 2007 | 66.1 |
 +| it | 2007 | 73.4 |
 +| ja | 2006 | 74.6 |
 +| nl | 2006 | 73.0 |
 +| pt | 2006 | 73.5 |
 +| sl | 2006 | 63.8 |
 +| sv | 2006 | 71.1 |
 +| tr | 2007 | 65.1 |
 +| zh | 2006 | 69.0 |
 +| zh | 2007 | 66.1 |
 +
 +| Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar |
 +| ar | 2006 | 64.3 | 67.3 | lepší | ano (20.855670) |
 +| ar | 2007 | 59.8 | 66.7 | lepší | ano (149.962142) |
 +| bg | 2006 | 67.9 | 71.4 | lepší | ano (44.137931) |
 +| cs | 2006 | 56.0 | 71.6 | lepší | ano (597.483871) |
 +| cs | 2007 | 58.7 | 74.2 | lepší | ano (616.602151) |
 +| da | 2006 | 69.3 | 69.5 | lepší | ne (0.114286) |
 +| en | 2007 | 64.7 | 65.6 | lepší | ano (8.781548) |
 +| sv | 2006 | 71.1 | 73.1 | lepší | ano (24.144134) |
 +| zh | 2006 | 69.0 | 68.1 | horší | ne (1.000000) |
 +| zh | 2007 | 66.1 | 63.6 | horší | ano (8.950413) |
 +
 +=== Srovnání výchozího nastavení CoNLL s nastavením 01 PDT ===
 +
 +| Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar |
 +| ar | 2006 | 63.9 | 67.3 | lepší | ano (21.670630) |
 +| ar | 2007 | 64.9 | 66.7 | lepší | ano (9.078534) |
 +| bg | 2006 | 72.3 | 71.4 | horší | ne (1.904968) |
 +| cs | 2006 | 64.1 | 71.6 | lepší | ano (170.571020) |
 +| cs | 2007 | 69.1 | 74.2 | lepší | ano (85.242604) |
 +| da | 2006 | 69.9 | 69.5 | horší | ne (0.821288) |
 +| en | 2007 | 70.6 | 65.6 | horší | ano (176.765737) |
 +| sv | 2006 | 71.0 | 73.1 | lepší | ano (24.369923) |
 +| zh | 2006 | 69.9 | 68.1 | horší | ne (2.330645) |
 +| zh | 2007 | 69.0 | 63.6 | horší | ano (22.769829) |
  
-===== Výsledky ===== 
  
-Následující tabulka ukazuje úspěšnost DZ parseru s výchozím nastavením na průběžných testovacích datech CoNLL, s původními značkami CoNLL (tabulátory, rysy oddělené svislítky).+==== 02: navíc zakázané přeskakování bezdětných předložek ==== 
 +| Jazyk | Rok | P | 
 +| ar | 2006 | 64.3 | 
 +| ar | 2007 | 59.8 | 
 +| bg | 2006 | 68.0 | 
 +| ca | 2007 | 69.9 | 
 +| cs | 2006 | 56.1 | 
 +| cs | 2007 | 58.7 | 
 +| da | 2006 | 68.3 | 
 +| de | 2006 | 68.5 | 
 +| el | 2007 | 67.1 | 
 +| en | 2007 | 63.8 | 
 +| eu | 2007 | 58.4 | 
 +| hu | 2007 | 62.3 | 
 +| it | 2007 | 72.1 | 
 +| ja | 2006 | 74.6 | 
 +| nl | 2006 | 73.0 | 
 +| pt | 2006 | 73.5 | 
 +| sl | 2006 | 63.8 | 
 +| sv | 2006 | 71.0 | 
 +| tr | 2007 | 65.1 | 
 +| zh | 2006 | 69.0 | 
 +| zh | 2007 | 66.1 |
  
-| Jazyk | Rok | +| Jazyk | Rok | P(CoNLL) P(PDT) Změna McNemar 
-| ar | 2006 | 3955 2527 1428 63,9 +| ar | 2006 | 64.3 67.6 lepší ano (24.635569) 
-| ar | 2007 | 5873 3813 2060 64,9 +| ar | 2007 | 59.8 66.9 lepší ano (162.665108) 
-| bg | 2006 | 4677 3380 | 1297 | 72,3 | +| bg | 2006 | 68.0 71.3 | lepší ano (41.317073) 
-ca | 2007 | 10971 | 7978 | 2993 | 72,7 +| cs | 2006 | 56.1 71.4 lepší ano (583.183944) 
-| cs | 2006 | 5643 3617 2026 64,1 +| cs | 2007 | 58.7 74.0 lepší ano (611.467919) 
-| cs | 2007 | 5760 3981 1779 69,1 +| da | 2006 | 68.3 | 69.8 | lepší ano (9.116809) 
-| da | 2006 | 5470 | 3825 | 1645 | 69,9 | +| en | 2007 | 63.8 67.3 | lepší ano (97.889876) 
-| de | 2006 | 5403 | 3877 | 1526 | 71,8 | +| sv | 2006 | 71.0 | 73.5 lepší ano (38.126126) 
-el | 2007 | 4874 | 3170 | 1704 | 65,0 +| zh | 2006 | 69.0 68.0 horší ne (1.249135) 
-| en | 2007 | 9529 6725 | 2804 | 70,6 | +| zh | 2007 | 66.1 63.5 horší ano (9.836066) |
-| eu | 2007 | 4334 | 2538 | 1796 | 58,6 | +
-| hu | 2007 | 5995 | 3733 | 2262 | 62,3 | +
-it | 2007 | 7643 | 5467 | 2176 | 71,5 | +
-| ja | 2006 | 3384 | 2953 | 431 | 87,3 | +
-| nl | 2006 | 6187 | 4561 | 1626 | 73,7 | +
-| pt | 2006 | 6719 | 4959 | 1760 | 73,8 | +
-| sl | 2006 | 4307 | 2529 | 1778 | 58,7 +
-| sv | 2006 | 7140 | 5071 | 2069 | 71,0 | +
-tr 2007 | 6210 | 4011 | 2199 | 64,6 +
-| zh | 2006 | 1839 1286 553 69,9 +
-| zh | 2007 | 2277 1570 707 69,0 |+
  
-Následující tabulka srovnává výsledky s původními značkami CoNLL a výsledky se značkami PDT. Data jsou dtestNastavení parseru je výchozí, tjselektivní lexikalizace není zapnuta, ale úprava (zkracováníznaček ve výchozí konfiguraci omylem zapnuté byloI tak se občas dostal do značky tabulátor a takové značky se pak chybně ukládají ve statisticePoslední sloupec říká, zda je změna úspěšnosti statisticky významná podle McNemarova testu na úrovni 0,05 (χ<html><sup>2</sup></html> ≥ 3,84).+| Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar | 
 +| ar | 2006 | 63.9 | 67.6 | lepší | ano (26.578554) | 
 +| ar | 2007 | 64.9 | 66.9 | lepší | ano (12.122523
 +| bg | 2006 | 72.3 | 71.3 | horší | ne (2.198697) | 
 +| cs | 2006 | 64.1 | 71.4 | lepší | ano (163.208696) | 
 +| cs | 2007 | 69.1 | 74.0 | lepší | ano (78.750246) | 
 +| da | 2006 | 69.9 | 69.8 | horší | ne (0.065772) | 
 +| en | 2007 | 70.6 | 67.| horší | ano (80.847587
 +| sv | 2006 | 71.0 | 73.5 | lepší | ano (35.800000) | 
 +| zh | 2006 | 69.9 | 68.0 | horší | ne (2.623482) | 
 +| zh | 2007 | 69.0 | 63.5 | horší | ano (23.875776) |
  
-| Jazyk | Rok | Značky | A | G | B | P | SV | +==== 03: navíc zapnuté modelování pseudovalence ====
-| ar | 2006 | CoNLL | 3955 | 2555 | 1400 | 64,6 | +
-| ar | 2006 | PDT   | 3955 | 2595 | 1360 | 65,6 | ne | +
-| ar | 2007 | CoNLL | 5873 | 3757 | 2116 | 64,0 | +
-| ar | 2007 | PDT   | 5873 | 3793 | 2080 | 64,6 | ne | +
-| bg | 2006 | CoNLL | 4677 | 3178 | 1499 | 67,9 | +
-| bg | 2006 | PDT   | 4677 | 3338 | 1339 | 71,4 | ano | +
-| cs | 2006 | CoNLL | 5643 | 3822 | 1821 | 67,7 | +
-| cs | 2006 | PDT   | 5643 | 4050 | 1593 | 71,8 | ano | +
-| cs | 2007 | CoNLL | 5760 | 4061 | 1699 | 70,5 | +
-| cs | 2007 | PDT   | 5760 | 4294 | 1466 | 74,5 | ano | +
-| da | 2006 | CoNLL | 5470 | 3792 | 1678 | 69,3 | +
-| da | 2006 | PDT   | 5470 | 3804 | 1666 | 69,5 | ne | +
-| en | 2007 | CoNLL | 9529 | 6163 | 3366 | 64,7 | +
-| en | 2007 | PDT   | 9529 | 6254 | 3275 | 65,6 | ano | +
-| sv | 2006 | CoNLL | 7140 | 5075 | 2065 | 71,1 | +
-| sv | 2006 | PDT   | 7140 | 5232 | 1908 | 73,3 | ano | +
-| zh | 2006 | CoNLL | 1839 | 1269 | 570 | 69,0 | +
-| zh | 2006 | PDT   | 1839 | 1252 | 587 | 68,1 | ne | +
-| zh | 2007 | CoNLL | 2277 | 1506 | 771 | 66,1 | +
-| zh | 2007 | PDT   | 2277 | 1449 | 828 | 63,6 | ano |+
  
-Převod značek do sady PDT pomohl všude kromě čínštiny, i když u některých jazyků změna nebyla statisticky významnáU čínštiny lze zhoršení snadno vysvětlitČínská sada značek se velmi liší od ostatních, do Intersetu se vejde jen nepatrný zlomek informace, kterou značky nesou, takže ztráta informace při převodu značek je mimořádně veliká.+| Jazyk | Rok | 
 +| ar | 2006 | 64.4 | 
 +| ar | 2007 | 59.8 | 
 +| bg | 2006 | 67.6 | 
 +| ca | 2007 | 69.9 | 
 +| cs | 2006 | 56.0 | 
 +| cs | 2007 | 58.7 | 
 +| da | 2006 | 68.3 | 
 +| de | 2006 | 69.5 | 
 +| el | 2007 | 67.2 | 
 +| en | 2007 | 64.2 | 
 +| eu | 2007 | 58.4 | 
 +| hu | 2007 | 62.3 | 
 +| it | 2007 | 72.2 | 
 +| ja | 2006 | 74.9 | 
 +| nl | 2006 | 73.2 | 
 +| pt | 2006 | 73.5 | 
 +| sl | 2006 | 63.8 | 
 +| sv | 2006 | 71.0 | 
 +| tr | 2007 | 65.2 | 
 +| zh | 2006 | 67.5 | 
 +| zh | 2007 | 64.6 |
  
-Následující tabulka je opravou té předchozí. Značky obsahující tabulátory už se ukládají správně, úprava značek je opravdu vypnutá.+| Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar | 
 +| ar | 2006 | 64.4 | 67.6 | lepší | ano (23.953216) | 
 +| ar | 2007 | 59.8 | 67.0 | lepší | ano (165.491130) | 
 +| bg | 2006 | 67.6 | 71.0 | lepší | ano (45.224638) | 
 +| cs | 2006 | 49.2 | 62.7 | lepší | ano (7.529412) | 
 +| cs | 2007 | 58.7 | 74.3 | lepší | ano (627.063764) | 
 +| da | 2006 | 68.3 | 69.8 | lepší | ano (8.878214) | 
 +| en | 2007 | 64.2 | 67.9 | lepší | ano (110.976037) | 
 +| sv | 2006 | 71.0 | 73.2 | lepší | ano (27.717540) | 
 +| zh | 2006 | 67.5 | 68.8 | lepší | ne (2.042553) | 
 +| zh | 2007 | 64.6 | 64.6 | stejná | ne (0.000000) |
  
-| Jazyk | Rok | Značky B | P | SV +| Jazyk | Rok | P(CoNLL) P(PDT) Změna McNemar 
-| ar | 2006 | CoNLL | 3955 | 2527 | 1428 | 63,9 | +| ar | 2006 | 63.9 | 67.6 lepší | ano (27.380000) 
-ar | 2006 | PDT   | 3955 | 2640 | 1315 | 66,8 | ano | +| ar | 2007 | 64.9 | 67.0 lepší ano (12.949640) 
-| ar | 2007 | CoNLL | 5873 | 3813 | 2060 | 64,9 | +| bg | 2006 | 72.3 | 71.0 horší | ne (3.688525) 
-ar 2007 | PDT   | 5873 | 3771 | 2102 | 64,2 | ne +| cs | 2006 | 55.9 62.7 lepší | ne (2.666667) 
-| bg | 2006 | CoNLL | 4677 | 3380 | 1297 | 72,3 | +| cs | 2007 | 69.1 | 74.3 lepší | ano (87.422200) 
-bg | 2006 | PDT   | 4677 | 3331 | 1346 | 71,2 | ne | +| da | 2006 | 69.9 | 69.8 horší | ne (0.046272) 
-| cs | 2006 | CoNLL 5643 3617 | 2026 | 64,1 | +| en | 2007 | 70.6 | 67.9 horší | ano (55.470000) 
-| cs | 2006 | PDT   | 5643 | 3618 | 2025 | 64,1 | ne | +| sv | 2006 | 71.0 | 73.2 lepší | ano (22.530318) 
-| cs | 2007 | CoNLL | 5760 | 3981 | 1779 | 69,1 | +| zh | 2006 | 69.9 | 68.8 horší | ne (0.757576) 
-cs | 2007 | PDT   | 5760 | 3952 | 1808 | 68,6 | ano | +| zh | 2007 | 69.0 | 64.6 horší | ano (14.266376) |
-| da | 2006 | CoNLL | 5470 | 3825 | 1645 | 69,9 | +
-da | 2006 | PDT   | 5470 | 3858 | 1612 | 70,5 | ne | +
-| en | 2007 | CoNLL | 9529 | 6725 | 2804 | 70,6 | +
-| en | 2007 | PDT   | 9529 | 6236 | 3293 65,4 | ano | +
-| sv | 2006 | CoNLL | 7140 | 5071 | 2069 | 71,0 | +
-sv | 2006 | PDT   | 7140 | 5181 | 1959 | 72,6 | ano | +
-| zh | 2006 | CoNLL | 1839 | 1286 | 553 | 69,9 | +
-zh | 2006 | PDT   | 1839 | 1258 | 581 | 68,4 | ne | +
-| zh | 2007 | CoNLL | 2277 | 1570 | 707 | 69,0 | +
-zh | 2007 | PDT   | 2277 | 1450 | 827 | 63,7 | ano |+
  
 ===== Starší poznámky ===== ===== Starší poznámky =====

[ Back to the navigation ] [ Back to the content ]