Differences
This shows you the differences between two versions of the page.
Both sides previous revision Previous revision Next revision | Previous revision Next revision Both sides next revision | ||
user:zeman:dz-parser:conll [2008/04/25 11:42] zeman Upřesnění parametrů. |
user:zeman:dz-parser:conll [2009/03/13 18:24] zeman Sémantika. |
||
---|---|---|---|
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& | ||
Každý jazyk zkouším zpracovat jednak s& | Každý jazyk zkouším zpracovat jednak s& | ||
Line 28: | Line 30: | ||
$PARSER/ | $PARSER/ | ||
($PARSER/ | ($PARSER/ | ||
- | |||
===== Zpracování na clusteru ===== | ===== Zpracování na clusteru ===== | ||
Line 36: | Line 37: | ||
* '' | * '' | ||
* '' | * '' | ||
- | * '' | + | * '' |
* '' | * '' | ||
- | * '' | + | * '' |
+ | |||
+ | ===== 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& | ||
+ | * 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), | ||
+ | * Do existujícího CoNLL souboru doplnit hodnoty PRED všude tam, kde FILLPRED = " | ||
+ | * Pro každou větu spočítat, kolik uzlů má nastaveno FILLPRED = " | ||
+ | * 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 " | ||
===== Výsledky ===== | ===== Výsledky ===== | ||
Line 45: | Line 60: | ||
Následující tabulka ukazuje úspěšnost DZ parseru s výchozím nastavením na průběžných testovacích datech CoNLL, s původními neupravenými značkami CoNLL (tabulátory, | Následující tabulka ukazuje úspěšnost DZ parseru s výchozím nastavením na průběžných testovacích datech CoNLL, s původními neupravenými značkami CoNLL (tabulátory, | ||
+ | Úspěšnost parsingu s& | ||
| Jazyk | Rok | P | | | Jazyk | Rok | P | | ||
| ar | 2006 | 63.9 | | | ar | 2006 | 63.9 | | ||
Line 51: | Line 66: | ||
| 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 68: | Line 89: | ||
| 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< | 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< | ||
Line 78: | Line 100: | ||
| 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 186: | Line 210: | ||
| zh | 2006 | 69.9 | 68.0 | horší | ne (2.623482) | | | zh | 2006 | 69.9 | 68.0 | horší | ne (2.623482) | | ||
| zh | 2007 | 69.0 | 63.5 | horší | ano (23.875776) | | | zh | 2007 | 69.0 | 63.5 | horší | ano (23.875776) | | ||
- | |||
==== 03: navíc zapnuté modelování pseudovalence ==== | ==== 03: navíc zapnuté modelování pseudovalence ==== | ||
+ | Úspěšnost parsingu s& | ||
| Jazyk | Rok | P | | | Jazyk | Rok | P | | ||
| ar | 2006 | 64.4 | | | ar | 2006 | 64.4 | | ||
Line 213: | Line 237: | ||
| zh | 2007 | 64.6 | | | zh | 2007 | 64.6 | | ||
+ | Srovnání úspěšnosti parsingu s& | ||
| 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& | ||
| 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 | 68.5 | 67.5 | horší | ne (2.892894) | | + | | 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 ===== |