[ 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 16:44]
zeman Zapnutá úprava morfologických značek a selektivní lexikalizace.
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 |
  
-===== Výsledky =====+| 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) |
  
-Následující tabulka ukazuje úspěšnost DZ parseru výchozím nastavením na průběžných testovacích datech CoNLL, s původními značkami CoNLL (tabulátory, rysy oddělené svislítky).+=== Srovnání výchozího nastavení CoNLL s nastavením 01 PDT ===
  
-| Jazyk | Rok | +| Jazyk | Rok | P(CoNLL) P(PDT) Změna McNemar 
-| ar | 2006 | 3955 2527 1428 63,9 +| ar | 2006 | 63.9 67.3 lepší ano (21.670630) 
-| ar | 2007 | 5873 3813 2060 64,9 | +| ar | 2007 | 64.9 66.7 lepší ano (9.078534) 
-| bg | 2006 | 4677 | 3380 | 1297 | 72,3 | +| bg | 2006 | 72.3 | 71.4 horší ne (1.904968) 
-ca 2007 | 10971 | 7978 | 2993 | 72,7 +| cs | 2006 | 64.1 71.6 lepší ano (170.571020) 
-| cs | 2006 | 5643 3617 2026 64,1 +| cs | 2007 | 69.1 74.2 lepší ano (85.242604) 
-| cs | 2007 | 5760 3981 1779 69,1 +| da | 2006 | 69.9 | 69.5 horší ne (0.821288) 
-| da | 2006 | 5470 | 3825 | 1645 | 69,9 | +| en | 2007 | 70.6 | 65.6 | horší ano (176.765737) 
-de 2006 | 5403 | 3877 | 1526 | 71,8 | +| sv | 2006 | 71.0 | 73.1 lepší ano (24.369923) 
-| el | 2007 | 4874 | 3170 | 1704 | 65,0 | +| zh | 2006 | 69.9 68.1 horší ne (2.330645) 
-| en | 2007 | 9529 | 6725 | 2804 | 70,6 | +| zh | 2007 | 69.0 63.6 horší ano (22.769829) |
-| 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 dtest. Nastavení parseru je výchozí, tj. selektivní lexikalizace není zapnuta, ale úprava (zkracování) značek ve výchozí konfiguraci omylem zapnuté bylo. I tak se občas dostal do značky tabulátor a takové značky se pak chybně ukládají ve statistice. 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 | Značky | A | G | B | P | SV +==== 02: navíc zakázané přeskakování bezdětných předložek ==== 
-| ar | 2006 | CoNLL | 3955 | 2555 | 1400 | 64,6 +| Jazyk | Rok | P | 
-| ar | 2006 PDT   | 3955 | 2595 | 1360 | 65,6 | ne +| ar | 2006 | 64.3 
-ar 2007 CoNLL | 5873 | 3757 | 2116 | 64,0 | +| ar | 2007 59.8 
-ar | 2007 | PDT   | 5873 | 3793 | 2080 | 64,6 | ne +bg 2006 68.0 | 
-bg | 2006 | CoNLL 4677 3178 1499 67,9 +ca | 2007 | 69.9 
-bg | 2006 | PDT   | 4677 | 3338 | 1339 | 71,4 | ano +cs | 2006 | 56.1 | 
-cs | 2006 | CoNLL 5643 3822 1821 | 67,7 +cs 2007 58.7 
-cs 2006 PDT   | 5643 | 4050 | 1593 | 71,| ano +da | 2006 | 68.3 
-cs | 2007 | CoNLL 5760 4061 1699 70,5 +de | 2006 | 68.5 | 
-cs | 2007 | PDT   5760 4294 1466 | 74,5 | ano +el 2007 | 67.1 
-da | 2006 | CoNLL | 5470 | 3792 | 1678 | 69,3 +en 2007 63.8 | 
-da | 2006 | PDT   | 5470 | 3804 | 1666 | 69,| ne +eu | 2007 | 58.4 | 
-en 2007 CoNLL | 9529 | 6163 | 3366 | 64,7 | +hu 2007 62.3 
-| en | 2007 | PDT   | 9529 | 6254 | 3275 | 65,6 | ano +it | 2007 | 72.1 | 
-| sv | 2006 | CoNLL | 7140 | 5075 | 2065 | 71,1 +ja 2006 | 74.6 
-sv 2006 PDT   | 7140 | 5232 | 1908 | 73,3 | ano +nl | 2006 | 73.0 
-| zh | 2006 | CoNLL | 1839 | 1269 | 570 | 69,+pt | 2006 | 73.5 | 
-| zh | 2006 | PDT   | 1839 | 1252 | 587 | 68,1 | ne +sl 2006 63.8 
-| zh | 2007 | CoNLL | 2277 | 1506 | 771 | 66,+| sv | 2006 | 71.0 
-| zh | 2007 | PDT   | 2277 | 1449 | 828 | 63,6 | ano |+tr 2007 65.1 
 +| zh | 2006 | 69.0 | 
 +| zh | 2007 | 66.1 |
  
-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 | P(CoNLL) | P(PDT) | Změna | McNemar | 
 +| ar | 2006 | 64.3 | 67.6 | lepší | ano (24.635569) | 
 +| ar | 2007 | 59.8 | 66.9 | lepší | ano (162.665108) | 
 +| bg | 2006 | 68.0 | 71.3 | lepší | ano (41.317073) | 
 +| cs | 2006 | 56.1 | 71.4 | lepší | ano (583.183944) | 
 +| cs | 2007 | 58.7 | 74.0 | lepší | ano (611.467919) | 
 +| da | 2006 | 68.3 | 69.8 | lepší | ano (9.116809) | 
 +| en | 2007 | 63.8 | 67.3 | lepší | ano (97.889876) | 
 +| sv | 2006 | 71.0 | 73.5 | lepší | ano (38.126126) | 
 +| zh | 2006 | 69.0 | 68.0 | horší | ne (1.249135) | 
 +| zh | 2007 | 66.1 | 63.5 | horší | ano (9.836066) |
  
-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 | 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 | 67.3 | 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 | 2527 | 1428 | 63,9 | +
-| ar | 2006 | PDT   | 3955 | 2640 | 1315 | 66,8 | ano | +
-| ar | 2007 | CoNLL | 5873 | 3813 | 2060 | 64,9 | +
-| ar | 2007 | PDT   | 5873 | 3771 | 2102 | 64,2 | ne | +
-| bg | 2006 | CoNLL | 4677 | 3380 | 1297 | 72,3 | +
-| bg | 2006 | PDT   | 4677 | 3331 | 1346 | 71,2 | ne | +
-| cs | 2006 | CoNLL | 5643 | 3617 | 2026 | 64,1 | +
-| cs | 2006 | PDT   | 5643 | 3618 | 2025 | 64,1 | ne | +
-| cs | 2007 | CoNLL | 5760 | 3981 | 1779 | 69,1 | +
-| cs | 2007 | PDT   | 5760 | 3952 | 1808 | 68,6 | ano | +
-| 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 |+
  
-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 | 64.4 | 
 +| 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 | 
 + 
 +| 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 | +| Jazyk | Rok | P(CoNLL) P(PDT) Změna McNemar 
-| ar | 2006 | 3955 2543 1412 64,3 +| ar | 2006 | 63.9 67.6 lepší ano (27.380000) 
-| ar | 2007 | 5873 3512 2361 59,8 +| ar | 2007 | 64.9 67.0 lepší ano (12.949640) 
-| bg | 2006 | 4677 3178 1499 67,9 | +| bg | 2006 | 72.3 71.0 horší ne (3.688525) 
-| ca | 2007 | 10971 | 7670 | 3301 | 69,9 +| cs | 2006 | 55.9 62.7 lepší ne (2.666667) 
-| cs | 2006 | 5643 3158 2485 56,0 +| cs | 2007 | 69.1 74.3 lepší ano (87.422200) 
-| cs | 2007 | 5760 3379 2381 58,7 +| da | 2006 | 69.9 | 69.8 horší ne (0.046272) 
-| da | 2006 | 5470 | 3792 | 1678 | 69,3 | +| en | 2007 | 70.6 | 67.9 horší ano (55.470000) 
-de | 2006 | 5403 | 3702 | 1701 | 68,5 | +| sv | 2006 | 71.0 73.2 lepší ano (22.530318) 
-| el | 2007 | 4874 | 3292 | 1582 | 67,5 +| zh | 2006 | 69.9 68.8 horší ne (0.757576) 
-| en | 2007 | 9529 | 6163 | 3366 | 64,7 | +| zh | 2007 | 69.0 64.6 horší ano (14.266376) |
-| eu | 2007 | 4334 | 2531 | 1803 | 58,4 | +
-| hu | 2007 | 5995 | 3962 | 2033 | 66,1 | +
-| it | 2007 | 7643 | 5608 | 2035 | 73,4 | +
-| ja | 2006 | 3384 | 2524 | 860 | 74,6 | +
-nl 2006 | 6187 | 4519 | 1668 | 73,0 | +
-| pt | 2006 | 6719 | 4941 | 1778 | 73,5 | +
-| sl | 2006 | 4307 | 2748 | 1559 | 63,8 +
-| sv | 2006 | 7140 | 5073 | 2067 | 71,1 | +
-tr 2007 | 6210 | 4040 | 2170 | 65,1 +
-| zh | 2006 | 1839 1269 570 69,0 | +
-| zh | 2007 | 2277 1506 771 66,1 |+
  
 ===== Starší poznámky ===== ===== Starší poznámky =====

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