[ Skip to the content ]

Institute of Formal and Applied Linguistics Wiki

[ Back to the navigation ]

You are here: start » user » zeman » dz-parser » conll

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 17:56]
zeman 		user:zeman:dz-parser:conll [2008/04/29 13:04]
zeman Srovnání konfigurací parseru.
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>
  
 +===== Zpracování na clusteru =====
  
- +V&nbsp;''$OUTPUT/bin'' mám několik skriptů, které odesílají parsovací úlohy na cluster: 
- +  * ''qtp2006.csh'' ... přetrénování a rozbor všech jazyků 2006 bez machinací se značkami 
- +  * ''qtp2007.csh'' ... přetrénování a rozbor všech jazyků 2007 bez machinací se značkami 
- +  * ''qtppdt.csh'' ... přetrénování a rozbor dat se značkami převedenými do sady PDT u jazyků, u kterých to umíme, z&nbsp;obou let 
- +  * ''trainparse.csh ROK JAZYK VAR INI'' ... přetrénování a rozbor jednoho korpusu (rok a jazyk jsou jasné parametry, var je varianta dat, třeba "''pdttags''", a ini je název konfiguračního souboru bez přípony .ini, třeba "''03''") 
- +  * ''harvest.csh'' ... pro všechny roky a jazyky (a u korpusů, u kterých to umíme, i pro data se značkami převedenými do PDT) zavolá ''porovnat.pl'' na zlatý standard a výstup parseru, čímž kromě úspěšnosti získáme i McNemarův test statistické významnosti zlepšení nebo zhoršení, které přinesl převod značek oproti datům s&nbsp;původními značkami 
- +  * ''vypsat_tabulku.pl'' dělá podobnou věc jako ''harvest.csh'', ale výsledky rovnou formátuje jako tabulku, kterou můžeme uložit v&nbsp;této wiki. Má parametr ''INI'', který říká, jaké výsledky (získané s&nbsp;jakým konfiguračním souborem) se mají sbírat.
- +
  
 ===== Výsledky ===== ===== Výsledky =====
  
-Následující tabulka ukazuje úspěšnost DZ parseru s výchozím nastavením na průběžných testovacích datech CoNLL, s původními značkami CoNLL (tabulátory, rysy oddělené svislítky).+==== Výchozí nastavení ====
  
-| Jazyk | Rok | A | G | B | P | +Následující tabulka ukazuje úspěšnost DZ parseru s výchozím nastavením na průběžných testovacích datech CoNLL, s původními neupravenými značkami CoNLL (tabulátory, rysy oddělené svislítky). 
-| ar | 2006 | 3955 | 2527 | 1428 | 63,9 | +Úspěšnost parsingu s&nbsp;původními značkami CoNLL: 
-| ar | 2007 | 5873 | 3813 | 2060 | 64,9 | +| Jazyk | Rok | P | 
-| bg | 2006 | 4677 | 3380 | 1297 | 72,3 | +| ar | 2006 | 63.9 | 
-| ca | 2007 | 10971 | 7978 | 2993 | 72,7 | +| ar | 2007 | 64.9 | 
-| cs | 2006 | 5643 | 3617 | 2026 | 64,1 | +| bg | 2006 | 72.3 | 
-| cs | 2007 | 5760 | 3981 | 1779 | 69,1 | +| ca | 2007 | 72.7 | 
-| da | 2006 | 5470 | 3825 | 1645 | 69,9 | +| cs | 2006 | 64.1 | 
-| de | 2006 | 5403 | 3877 | 1526 | 71,8 | +| cs | 2007 | 69.1 | 
-| el | 2007 | 4874 | 3170 | 1704 | 65,0 | +| da | 2006 | 69.9 | 
-| en | 2007 | 9529 | 6725 | 2804 | 70,6 | +| de | 2006 | 71.8 | 
-| eu | 2007 | 4334 | 2538 | 1796 | 58,6 | +| el | 2007 | 65.0 | 
-| hu | 2007 | 5995 | 3733 | 2262 | 62,3 | +| en | 2007 | 70.6 | 
-| it | 2007 | 7643 | 5467 | 2176 | 71,5 | +| eu | 2007 | 58.6 | 
-| ja | 2006 | 3384 | 2953 | 431 | 87,3 | +| hu | 2007 | 62.3 | 
-| nl | 2006 | 6187 | 4561 | 1626 | 73,7 | +| it | 2007 | 71.5 | 
-| pt | 2006 | 6719 | 4959 | 1760 | 73,8 | +| ja | 2006 | 87.3 | 
-| sl | 2006 | 4307 | 2529 | 1778 | 58,7 | +| nl | 2006 | 73.7 | 
-| sv | 2006 | 7140 | 5071 | 2069 | 71,0 | +| pt | 2006 | 73.8 | 
-| tr | 2007 | 6210 | 4011 | 2199 | 64,6 | +| sl | 2006 | 58.7 | 
-| zh | 2006 | 1839 | 1286 | 553 | 69,9 | +| sv | 2006 | 71.0 | 
-| zh | 2007 | 2277 | 1570 | 707 | 69,0 |+| 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. 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).+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 | Značky | A | G | B | P | SV | +| Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar | 
-| ar | 2006 | CoNLL | 3955 | 2555 | 1400 | 64,6 | +| ar | 2006 | 63.9 | 66.8 | lepší | ano (19.858476) | 
-| ar | 2006 | PDT   | 3955 | 2595 | 1360 | 65,6 | ne | +| ar | 2007 | 64.9 | 64.2 | horší | ne (1.497453) | 
-| ar | 2007 | CoNLL | 5873 | 3757 | 2116 | 64,0 | +| bg | 2006 | 72.3 | 71.2 | horší | ne (3.205607) | 
-| ar | 2007 | PDT   | 5873 | 3793 | 2080 | 64,6 | ne | +| cs | 2006 | 64.1 | 64.1 | lepší | ne (0.007519) | 
-| bg | 2006 | CoNLL | 4677 | 3178 | 1499 | 67,9 | +| cs | 2007 | 69.1 | 68.6 | horší | ano (3.948357) | 
-| bg | 2006 | PDT   | 4677 | 3338 | 1339 | 71,4 | ano | +| da | 2006 | 69.9 | 70.5 | lepší | ne (2.082218) | 
-| cs | 2006 | CoNLL | 5643 | 3822 | 1821 | 67,7 | +| de | 2006 | 71.8 | 67.5 | horší | ano (61.301887) | 
-| cs | 2006 | PDT   | 5643 | 4050 | 1593 | 71,8 | ano | +| en | 2007 | 70.6 | 65.4 | horší | ano (227.951382) | 
-| cs | 2007 | CoNLL | 5760 | 4061 | 1699 | 70,5 | +| pt | 2006 | 73.8 | 76.4 | lepší | ano (44.312588) | 
-| cs | 2007 | PDT   | 5760 | 4294 | 1466 | 74,5 | ano | +| sv | 2006 | 71.0 | 72.6 | lepší | ano (12.763713) | 
-| da | 2006 | CoNLL | 5470 | 3792 | 1678 | 69,3 | +| zh | 2006 | 69.9 | 68.4 | horší | ne (1.574297) | 
-| da | 2006 | PDT   | 5470 | 3804 | 1666 | 69,5 | ne | +| zh | 2007 | 69.0 | 63.7 | horší | ano (22.360248) |
-| 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 významná. 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. +
- +
-Následující tabulka je opravou té předchozí. Značky obsahující tabulátory už se ukládají správně, úprava značek je opravdu vypnutá.+
  
-| Jazyk | Rok | Značky | A | G | B | P | SV | +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.
-| 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 |+
  
 ==== 01: zapnuté upravování značek a selektivní lexikalizace ==== ==== 01: zapnuté upravování značek a selektivní lexikalizace ====
Line 155: Line 124:
 | zh | 2006 | 69.0 | 68.1 | horší | ne (1.000000) | | zh | 2006 | 69.0 | 68.1 | horší | ne (1.000000) |
 | zh | 2007 | 66.1 | 63.6 | horší | ano (8.950413) | | 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) |
 +
 +
 +==== 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 | 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) |
 +
 +| 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) |
 +
 +==== 03: navíc zapnuté modelování pseudovalence ====
 +
 +Úspěšnost parsingu s&nbsp;původními značkami CoNLL:
 +| 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 |
 +
 +Srovnání úspěšnosti parsingu s&nbsp;původními značkami a se značkami PDT:
 +| 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 | 56.0 | 71.4 | lepší | ano (587.655280) |
 +| cs | 2007 | 58.7 | 74.3 | lepší | ano (627.063764) |
 +| da | 2006 | 68.3 | 69.8 | lepší | ano (8.878214) |
 +| de | 2006 | 69.5 | 67.7 | horší | ano (9.841876) |
 +| en | 2007 | 64.2 | 67.9 | lepší | ano (110.976037) |
 +| pt | 2006 | 73.5 | 76.4 | lepší | ano (42.581187) |
 +| 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) |
 +
 +Totéž, ale parsing s&nbsp;původními značkami použil výchozí konfiguraci místo 03.
 +| Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar |
 +| ar | 2006 | 63.9 | 67.6 | lepší | ano (27.380000) |
 +| ar | 2007 | 64.9 | 67.0 | lepší | ano (12.949640) |
 +| bg | 2006 | 72.3 | 71.0 | horší | ne (3.688525) |
 +| cs | 2006 | 64.1 | 71.4 | lepší | ano (167.052632) |
 +| cs | 2007 | 69.1 | 74.3 | lepší | ano (87.422200) |
 +| da | 2006 | 69.9 | 69.8 | horší | ne (0.046272) |
 +| de | 2006 | 71.8 | 67.7 | horší | ano (54.691057) |
 +| en | 2007 | 70.6 | 67.9 | horší | ano (55.470000) |
 +| pt | 2006 | 73.8 | 76.4 | lepší | ano (34.848721) |
 +| sv | 2006 | 71.0 | 73.2 | lepší | ano (22.530318) |
 +| zh | 2006 | 69.9 | 68.8 | horší | ne (0.757576) |
 +| zh | 2007 | 69.0 | 64.6 | horší | ano (14.266376) |
 +
 +===== Která konfigurace je nejúspěšnější pro který jazyk? =====
 +
 +| Jazyk | Rok | orig df | pdt df | orig 03 | pdt 03 |
 +| ar | 2006 | 63.9 | 66.8 | 64.4 | 67.6 |
 +| ar | 2007 | 64.9 | 64.2 | 59.8 | 67.0 |
 +| bg | 2006 | 72.3 | 71.2 | 67.6 | 71.0 |
 +| ca | 2007 | 72.7 |      | 69.9 |      |
 +| cs | 2006 | 64.1 | 64.1 | 56.0 | 71.4 |
 +| cs | 2007 | 69.1 | 68.6 | 58.7 | 74.3 |
 +| da | 2006 | 69.9 | 70.5 | 68.3 | 69.8 |
 +| de | 2006 | 71.8 | 67.5 | 69.5 | 67.7 |
 +| el | 2007 | 65.0 |      | 67.2 |      |
 +| en | 2007 | 70.6 | 65.4 | 64.2 | 67.9 |
 +| eu | 2007 | 58.6 |      | 58.4 |      |
 +| hu | 2007 | 62.3 |      | 62.3 |      |
 +| it | 2007 | 71.5 |      | 72.2 |      |
 +| ja | 2006 | 87.3 |      | 74.9 |      |
 +| nl | 2006 | 73.7 |      | 73.2 |      |
 +| pt | 2006 | 73.8 | 76.4 | 73.5 | 76.4 |
 +| sl | 2006 | 58.7 |      | 63.8 |      |
 +| sv | 2006 | 71.0 | 72.6 | 71.0 | 73.2 |
 +| tr | 2007 | 64.6 |      | 65.2 |      |
 +| zh | 2006 | 69.9 | 68.4 | 67.5 | 68.8 |
 +| zh | 2007 | 69.0 | 63.7 | 64.6 | 64.6 |
  
 ===== Starší poznámky ===== ===== Starší poznámky =====

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