[ Skip to the content ]

Institute of Formal and Applied Linguistics Wiki

• ÚFAL Wiki Home
• ÚFAL Home
• Sitemap
• RSS
• ÚFAL calendar
• Recent changes
• Login
• Hledat:

[ Back to the navigation ]

Differences

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

View differences: Side by SideInline Go

Link to this comparison view

Both sides previous revision Previous revision 2009/03/26 08:21 zeman Úvod.2009/03/13 18:25 zeman A pak ještě Makefile.2009/03/13 18:24 zeman Sémantika.2009/03/03 16:28 zeman Makefile.2009/03/02 11:38 zeman Výsledky CoNLL 2009 (zatím bez úprav značek).2008/04/29 13:04 zeman Srovnání konfigurací parseru.2008/04/29 12:56 zeman Doplnění německých a portugalských výsledků s výchozí konfigurací parseru.2008/04/29 12:23 zeman Tvar parametru VAR.2008/04/29 10:12 zeman Výsledky němčiny a portugalštiny.2008/04/25 11:49 zeman Parametr vypsat_tabulku.pl2008/04/25 11:42 zeman Upřesnění parametrů.2008/04/25 11:30 zeman Dokumentace skriptů.2008/04/01 10:03 zeman Dodatečně ještě němčina.2008/03/28 18:57 zeman 2008/03/28 18:57 zeman 02 a 03.2008/03/28 18:23 zeman Srovnání výchozího nastavení CoNLL s nastavením 01 PDT.2008/03/28 18:15 zeman 2008/03/28 17:56 zeman 2008/03/28 16:44 zeman Zapnutá úprava morfologických značek a selektivní lexikalizace.2008/03/28 15:49 zeman Oprava výchozích výsledků. Nyní se opravdu neupravují morfologické značky a správně se ukládají události s tabulátory.2008/03/28 15:43 zeman 2008/03/28 15:20 zeman Opravný experiment.2008/03/28 12:45 zeman 2008/03/28 12:42 zeman Statistická významnost.2008/03/28 12:28 zeman Statistická významnost.2008/03/27 22:58 zeman Komentář k výsledkům se značkami PDT.2008/03/27 22:49 zeman Čeština 2006.2008/03/27 22:38 zeman Výsledky se značkami PDT.2008/03/27 21:51 zeman Výsledky 2006.2008/03/27 21:10 zeman Výsledky dtest původní značky.2008/03/27 20:44 zeman 2008/03/26 16:35 zeman Výsledky rozboru češtiny.2008/03/26 16:05 zeman Ještě výstup.2008/03/26 16:01 zeman Rozbor češtiny.2008/03/26 13:30 zeman Trénování se značkami PDT.2008/03/26 11:56 zeman Trénování parseru na češtině z CoNLL 2006.2008/03/26 09:49 zeman Čeština 2006.2008/03/05 18:53 zeman Parsing korpusu s převedenými značkami.2008/03/05 18:49 zeman Převod značek do sady PDT. Go Next revision		Previous revision 2009/03/26 08:21 zeman Úvod.2009/03/13 18:25 zeman A pak ještě Makefile.2009/03/13 18:24 zeman Sémantika.2009/03/03 16:28 zeman Makefile.2009/03/02 11:38 zeman Výsledky CoNLL 2009 (zatím bez úprav značek).2008/04/29 13:04 zeman Srovnání konfigurací parseru.2008/04/29 12:56 zeman Doplnění německých a portugalských výsledků s výchozí konfigurací parseru.2008/04/29 12:23 zeman Tvar parametru VAR.2008/04/29 10:12 zeman Výsledky němčiny a portugalštiny.2008/04/25 11:49 zeman Parametr vypsat_tabulku.pl2008/04/25 11:42 zeman Upřesnění parametrů.2008/04/25 11:30 zeman Dokumentace skriptů.2008/04/01 10:03 zeman Dodatečně ještě němčina.2008/03/28 18:57 zeman 2008/03/28 18:57 zeman 02 a 03.2008/03/28 18:23 zeman Srovnání výchozího nastavení CoNLL s nastavením 01 PDT.2008/03/28 18:15 zeman 2008/03/28 17:56 zeman 2008/03/28 16:44 zeman Zapnutá úprava morfologických značek a selektivní lexikalizace.2008/03/28 15:49 zeman Oprava výchozích výsledků. Nyní se opravdu neupravují morfologické značky a správně se ukládají události s tabulátory.2008/03/28 15:43 zeman 2008/03/28 15:20 zeman Opravný experiment.2008/03/28 12:45 zeman 2008/03/28 12:42 zeman Statistická významnost.2008/03/28 12:28 zeman Statistická významnost.2008/03/27 22:58 zeman Komentář k výsledkům se značkami PDT.2008/03/27 22:49 zeman Čeština 2006.2008/03/27 22:38 zeman Výsledky se značkami PDT.2008/03/27 21:51 zeman Výsledky 2006.2008/03/27 21:10 zeman Výsledky dtest původní značky.2008/03/27 20:44 zeman 2008/03/26 16:35 zeman Výsledky rozboru češtiny.2008/03/26 16:05 zeman Ještě výstup.2008/03/26 16:01 zeman Rozbor češtiny.2008/03/26 13:30 zeman Trénování se značkami PDT.2008/03/26 11:56 zeman Trénování parseru na češtině z CoNLL 2006.2008/03/26 09:49 zeman Čeština 2006.2008/03/05 18:53 zeman Parsing korpusu s převedenými značkami.2008/03/05 18:49 zeman Převod značek do sady PDT.2008/03/05 14:32 zeman Nefunguje.2007/03/29 23:13 zeman vytvořeno Go Last revision Both sides next revision
user:zeman:dz-parser:conll [2008/03/28 18:57] zeman		user:zeman:dz-parser:conll [2009/03/13 18:25] zeman A pak ještě Makefile.
Line 20:		Line 20:
	===== Zpracování =====		===== Zpracování =====
		+
		+	Zpracování má dvě části. První se týká přípravy dat, jejich převodu do formátu CSTS apod. Tato část není bezprostředně závislá na konkrétním parseru a odehrává se přímo ve složce s daty (''$DATA''). Druhá část zahrnuje natrénování parseru, otestování parseru na testovacích datech a vyhodnocení výsledků. Může se opakovat s různými parsery a s různým nastavením parametrů. Tato část se odehrává v pracovní složce (''$OUTPUT''). Na zpracování jsem si vytvořil i Makefile, ale bylo to v době, kdy jsem ještě obě části provozoval přímo ve složce s daty, takže cesty uvnitř Makefilu je nutné upravit. Makefile se nachází v ''/net/data/conll/2007/Makefile''.
	Každý jazyk zkouším zpracovat jednak s původními značkami, jednak se značkami převedenými do české sady PDT. Základní zpracování (bez přiřazování syntaktických značek) předpokládá pouze dva kroky: natrénování modelu na průběžných trénovacích datech a jeho otestování na průběžných testovacích datech. U základního zpracování používáme výchozí, jazykově nezávislé nastavení parseru.		Každý jazyk zkouším zpracovat jednak s původními značkami, jednak se značkami převedenými do české sady PDT. Základní zpracování (bez přiřazování syntaktických značek) předpokládá pouze dva kroky: natrénování modelu na průběžných trénovacích datech a jeho otestování na průběžných testovacích datech. U základního zpracování používáme výchozí, jazykově nezávislé nastavení parseru.
Line 28:		Line 30:
	$PARSER/train.pl < $DATA/$ROK/$JAZYK/dtrain.csts > $JAZYK.stat		$PARSER/train.pl < $DATA/$ROK/$JAZYK/dtrain.csts > $JAZYK.stat
	($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.
		+
		+
		+	===== Sémantika 2009 =====
		+
		+	Aby vyhodnocení CoNLL 2009 fungovalo, musím do výsledků doplnit alespoň nějakou sémantiku, i kdyby třeba náhodně.
		+
		+	* Potřebuju skript, který bude asi pracovat přímo se souborem ve formátu CoNLL, protože v&nbsp;CSTS beztak nejsou k&nbsp;dispozici sémantické prvky a navíc bych pak musel ještě upravovat převod z&nbsp;CSTS do CoNLL.
		+	* Ve skutečnosti „tento skript“ znamená dva skripty, trénovací a anotační.
		+	* Minimální požadavky na tento skript:
		+	* Naučit se pro daný jazyk, jakých hodnot může nabývat pole PRED. Když už to budu dělat, asi bych se to mohl učit jako funkci lemmatu, protože na lemmatu to zjevně běžně závisí.
		+	* Naučit se pro daný jazyk, jakých hodnot může nabývat pole APRED.
		+	* Závisí na uzlu, pro nějž ho vyplňujeme (řídící) a na uzlu odpovídajícím sloupci, do nějž ho vyplňujeme (závislý), ale učit se tohle bude trochu složitější.
		+	* Do existujícího CoNLL souboru doplnit hodnoty PRED všude tam, kde FILLPRED = "Y".
		+	* Pro každou větu spočítat, kolik uzlů má nastaveno FILLPRED = "Y". Tolik bude u každého uzlu sloupců APREDs.
		+	* Zapamatovat si, které predikáty závisí na jiných predikátech (popř. si rovnou zapamatovat celý strom). U každého predikátu pak střelit nějakou hodnotu APRED do všech sloupců, které na něm závisí. Do ostatních vyplnit "_".
		+	* Až tyhle skripty budou, zapracovat je do Makefilu a získat baseline výsledek pro všechny jazyky.
	===== Výsledky =====		===== Výsledky =====
Line 34:		Line 62:
	Následující tabulka ukazuje úspěšnost DZ parseru s výchozím nastavením na průběžných testovacích datech CoNLL, s původními neupravenými značkami CoNLL (tabulátory, rysy oddělené svislítky).		Následující tabulka ukazuje úspěšnost DZ parseru s výchozím nastavením na průběžných testovacích datech CoNLL, s původními neupravenými značkami CoNLL (tabulátory, rysy oddělené svislítky).
		+	Úspěšnost parsingu s&nbsp;původními značkami CoNLL:
	| Jazyk | Rok | P |		| Jazyk | Rok | P |
	| ar | 2006 | 63.9 |		| ar | 2006 | 63.9 |
Line 40:		Line 68:
	| bg | 2006 | 72.3 |		| bg | 2006 | 72.3 |
	| ca | 2007 | 72.7 |		| ca | 2007 | 72.7 |
		+	| ca | 2009 | 73.6 |
	| cs | 2006 | 64.1 |		| cs | 2006 | 64.1 |
	| cs | 2007 | 69.1 |		| cs | 2007 | 69.1 |
		+	| cs | 2009 | 65.8 |
	| da | 2006 | 69.9 |		| da | 2006 | 69.9 |
	| de | 2006 | 71.8 |		| de | 2006 | 71.8 |
		+	| de | 2009 | 72.3 |
	| el | 2007 | 65.0 |		| el | 2007 | 65.0 |
	| en | 2007 | 70.6 |		| en | 2007 | 70.6 |
		+	| en | 2009 | 69.5 |
		+	| es | 2009 | 71.8 |
	| eu | 2007 | 58.6 |		| eu | 2007 | 58.6 |
	| hu | 2007 | 62.3 |		| hu | 2007 | 62.3 |
	| it | 2007 | 71.5 |		| it | 2007 | 71.5 |
	| ja | 2006 | 87.3 |		| ja | 2006 | 87.3 |
		+	| ja | 2009 | 83.2 |
	| nl | 2006 | 73.7 |		| nl | 2006 | 73.7 |
	| pt | 2006 | 73.8 |		| pt | 2006 | 73.8 |
Line 57:		Line 91:
	| zh | 2006 | 69.9 |		| zh | 2006 | 69.9 |
	| zh | 2007 | 69.0 |		| zh | 2007 | 69.0 |
		+	| zh | 2009 | 57.7 |
	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).		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).
Line 67:		Line 102:
	| cs | 2007 | 69.1 | 68.6 | horší | ano (3.948357) |		| cs | 2007 | 69.1 | 68.6 | horší | ano (3.948357) |
	| da | 2006 | 69.9 | 70.5 | lepší | ne (2.082218) |		| da | 2006 | 69.9 | 70.5 | lepší | ne (2.082218) |
		+	| de | 2006 | 71.8 | 67.5 | horší | ano (61.301887) |
	| en | 2007 | 70.6 | 65.4 | horší | ano (227.951382) |		| en | 2007 | 70.6 | 65.4 | horší | ano (227.951382) |
		+	| pt | 2006 | 73.8 | 76.4 | lepší | ano (44.312588) |
	| sv | 2006 | 71.0 | 72.6 | lepší | ano (12.763713) |		| sv | 2006 | 71.0 | 72.6 | lepší | ano (12.763713) |
	| zh | 2006 | 69.9 | 68.4 | horší | ne (1.574297) |		| zh | 2006 | 69.9 | 68.4 | horší | ne (1.574297) |
Line 178:		Line 215:
	==== 03: navíc zapnuté modelování pseudovalence ====		==== 03: navíc zapnuté modelování pseudovalence ====
		+	Úspěšnost parsingu s&nbsp;původními značkami CoNLL:
	| Jazyk | Rok | P |		| Jazyk | Rok | P |
	| ar | 2006 | 64.4 |		| ar | 2006 | 64.4 |
Line 201:		Line 239:
	| zh | 2007 | 64.6 |		| zh | 2007 | 64.6 |
		+	Srovnání úspěšnosti parsingu s&nbsp;původními značkami a se značkami PDT:
	| Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar |		| Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar |
	| ar | 2006 | 64.4 | 67.6 | lepší | ano (23.953216) |		| ar | 2006 | 64.4 | 67.6 | lepší | ano (23.953216) |
	| ar | 2007 | 59.8 | 67.0 | lepší | ano (165.491130) |		| ar | 2007 | 59.8 | 67.0 | lepší | ano (165.491130) |
	| bg | 2006 | 67.6 | 71.0 | lepší | ano (45.224638) |		| bg | 2006 | 67.6 | 71.0 | lepší | ano (45.224638) |
-	| cs | 2006 | 49.2 | 62.7 | lepší | ano (7.529412) |	+	| cs | 2006 | 56.0 | 71.4 | lepší | ano (587.655280) |
	| cs | 2007 | 58.7 | 74.3 | lepší | ano (627.063764) |		| cs | 2007 | 58.7 | 74.3 | lepší | ano (627.063764) |
	| da | 2006 | 68.3 | 69.8 | lepší | ano (8.878214) |		| 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) |		| 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) |		| sv | 2006 | 71.0 | 73.2 | lepší | ano (27.717540) |
	| zh | 2006 | 67.5 | 68.8 | lepší | ne (2.042553) |		| zh | 2006 | 67.5 | 68.8 | lepší | ne (2.042553) |
	| zh | 2007 | 64.6 | 64.6 | stejná | ne (0.000000) |		| 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 |		| Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar |
	| ar | 2006 | 63.9 | 67.6 | lepší | ano (27.380000) |		| ar | 2006 | 63.9 | 67.6 | lepší | ano (27.380000) |
	| ar | 2007 | 64.9 | 67.0 | lepší | ano (12.949640) |		| ar | 2007 | 64.9 | 67.0 | lepší | ano (12.949640) |
	| bg | 2006 | 72.3 | 71.0 | horší | ne (3.688525) |		| bg | 2006 | 72.3 | 71.0 | horší | ne (3.688525) |
-	| cs | 2006 | 55.9 | 62.7 | lepší | ne (2.666667) |	+	| cs | 2006 | 64.1 | 71.4 | lepší | ano (167.052632) |
	| cs | 2007 | 69.1 | 74.3 | lepší | ano (87.422200) |		| cs | 2007 | 69.1 | 74.3 | lepší | ano (87.422200) |
	| da | 2006 | 69.9 | 69.8 | horší | ne (0.046272) |		| 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) |		| 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) |		| sv | 2006 | 71.0 | 73.2 | lepší | ano (22.530318) |
	| zh | 2006 | 69.9 | 68.8 | horší | ne (0.757576) |		| zh | 2006 | 69.9 | 68.8 | horší | ne (0.757576) |
	| zh | 2007 | 69.0 | 64.6 | horší | ano (14.266376) |		| 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 ]