Both sides previous revision
Previous revision
Next revision
|
Previous revision
Next revision
Both sides next revision
|
user:zeman:dz-parser [2007/03/28 13:30] zeman |
user:zeman:dz-parser [2007/03/30 08:04] zeman Hotovo. |
| |
<code>svn checkout file:///net/work/public/SVN/dzparser/trunk dzparser</code> | <code>svn checkout file:///net/work/public/SVN/dzparser/trunk dzparser</code> |
| |
| * [[user:zeman:dz-parser:atrain-a-aclass|atrain a aclass]] |
| * [[user:zeman:dz-parser:csts.pm|csts.pm]] |
| * [[user:zeman:dz-parser:vystupy.pm|vystupy.pm]] |
| * [[user:zeman:dz-parser:vysledky|Výsledky]] |
| * [[user:zeman:dz-parser:conll|CoNLL]] |
| |
===== To do ===== | ===== To do ===== |
| |
* CoNLL 2007 | * CoNLL 2007 |
* Napsat program, který na základě závislostí (ručních nebo naučených), morfologických značek (dítěte, rodiče, prarodiče, sourozenců, sousedů), popř. koncovek (téhož) přiřadí syntaktickou značku (druh závislosti). | |
* Napsat program pro převod stromů z CSTS zpět do formátu CoNLL. | |
* Otestovat mé výstupy oficiálním skriptem eval.pl, nebo jak se jmenuje. | * Otestovat mé výstupy oficiálním skriptem eval.pl, nebo jak se jmenuje. |
* Zkusit ještě jednou pustit parser na všechny jazyky s vypnutým rozepisováním alternativ. | * Zkusit ještě jednou pustit parser na všechny jazyky s vypnutým rozepisováním alternativ. |
| |
* koordinace = 0. Zvláštní zpracování koordinací předpokládá určité konkrétní syntaktické značky (Coord, _Co). Pokud tam nejsou, koordinace se nepoznají. Horší ale je, když tam jsou, ale nesplňují tatáž pravidla jako v PDT (např. v PADT). | * koordinace = 0. Zvláštní zpracování koordinací předpokládá určité konkrétní syntaktické značky (Coord, _Co). Pokud tam nejsou, koordinace se nepoznají. Horší ale je, když tam jsou, ale nesplňují tatáž pravidla jako v PDT (např. v PADT). |
| |
===== Výsledky ===== | |
| |
==== Čeština PDT 2.0 ==== | |
| |
<code>train.pl -i parser-pdt.ini | |
parse.pl -i parser-pdt.ini</code> | |
| |
A 158962 - G 118894 - B 40068 - P <html><span style='background:yellow'>0.74793975918773</span></html>. Tato úspěšnost je nižší než dříve. Podle záznamů na stránce o českém parsingu jsem už dříve na d-testu PDT 2.0 dosáhl 75 %. SVN revize 3 ale dává stejné výsledky jako teď (P 74,8, G 118894). Uvidíme, co udělá revize 1, která ale není zvyklá pracovat s daty zakódovanými v UTF-8. | |
| |
===== Výsledky CoNLL 2006 ===== | |
| |
==== Arabština ==== | |
| |
<code>train.pl < /net/data/CoNLL/2006/arabic/padt/artrain.02.csts | |
parse.pl < /net/data/CoNLL/2006/arabic/padt/artest.02.csts</code> | |
| |
G 3086 - B 2287 - P <html><span style='background:yellow'>57,44</span></html> %. Ruční značky (jiné nemáme) převedené z CoNLL do PDT. Slova a hesla obsahují za podtržítkem Buckwalterovu transliteraci tak jako v CoNLL. Ta je ovšem převedena na malá písmena, což můj parser dělá i jinde. | |
| |
===== Výsledky CoNLL 2007 ===== | |
| |
Viz též [[internal:data-conll|Data CoNLL]]. | |
| |
==== Arabština ==== | |
| |
<code>train.pl < /net/data/conll/2007/arabic/padt/ardtrain.csts | |
parse.pl < /net/data/conll/2007/arabic/padt/ardtest.csts</code> | |
| |
G 3591 - P = <html><span style='background:yellow'>61,1</span></html> % | |
| |
==== Baskičtina ==== | |
| |
<code>train.pl < /net/data/CoNLL/2007/basque/3lbBasque/eudtrain.csts | |
parse.pl < /net/data/CoNLL/2007/basque/3lbBasque/eudtest.csts</code> | |
| |
A 4334 - G 2630 - B 1704 - P <html><span style='background:yellow'>0.606829718504845</span></html>. | |
| |
==== Čeština ==== | |
| |
Nastavení: stejné jako pro ostatní jazyky, podle výchozího ''parser.ini''. Zvláštní zpracování koordinací je vypnuté. Značky se sice upravují, ale z tvaru CoNLL, v důsledku čehož parser nemá k dispozici informaci o pádu. | |
| |
<code>train.pl < /net/data/CoNLL/2007/czech/pdt/csdtrain.csts | |
parse.pl < /net/data/CoNLL/2007/czech/pdt/csdtest.csts</code> | |
| |
A 5760 - G 3067 - B 2693 - P <html><span style='background:yellow'>0.532465277777778</span></html>. | |
| |
==== Čínština ==== | |
| |
<code>train.pl < /net/data/CoNLL/2007/chinese/sinica/zhdtrain.csts | |
parse.pl < /net/data/CoNLL/2007/chinese/sinica/zhdtest.csts</code> | |
| |
A 2277 - G 1513 - B 764 - P <html><span style='background:yellow'>0.664470794905577</span></html>. | |
| |
==== Italština ==== | |
| |
<code>train.pl < /net/data/CoNLL/2007/italian/isst/itdtrain.csts | |
parse.pl < /net/data/CoNLL/2007/italian/isst/itdtest.csts</code> | |
| |
A 7643 - G 4866 - B 2777 - P <html><span style='background:yellow'>0.63666099699071</span></html>. | |
| |
==== Katalánština ==== | |
| |
<code>train.pl < /net/data/CoNLL/2007/catalan/cess-cat/cadtrain.csts | |
parse.pl < /net/data/CoNLL/2007/catalan/cess-cat/cadtest.csts</code> | |
| |
A 10971 - G 6768 - B 4203 - P <html><span style='background:yellow'>0.616899097621001</span></html>. | |
| |
==== Maďarština ==== | |
| |
<code>train.pl < /net/data/CoNLL/2007/hungarian/szeged/hudtrain.csts | |
parse.pl < /net/data/CoNLL/2007/hungarian/szeged/hudtest.csts</code> | |
| |
A 5995 - G 3164 - B 2831 - P <html><span style='background:yellow'>0.527773144286906</span></html>. | |
| |
==== Řečtina ==== | |
| |
<code>train.pl < /net/data/CoNLL/2007/greek/gdt/eldtrain.csts | |
parse.pl < /net/data/CoNLL/2007/greek/gdt/eldtest.csts</code> | |
| |
A 4874 - G 3122 - B 1752 - P <html><span style='background:yellow'>0.640541649569142</span></html>. | |
| |
==== Turečtina ==== | |
| |
<code>train.pl < /net/data/CoNLL/2007/turkish/metu/trdtrain.csts | |
parse.pl < /net/data/CoNLL/2007/turkish/metu/trdtest.csts</code> | |
| |
A 6210 - G 4037 - B 2173 - P <html><span style='background:yellow'>0.650080515297907</span></html>. | |