This is an old revision of the document!
Table of Contents
DZ Parser
DZ Parser má svoji stránku na adrese http://ufal.mff.cuni.cz/~zeman/projekty/parser/index.html. To, co je zde, jsou pracovní poznámky.
svn checkout file:///net/work/public/SVN/dzparser/trunk dzparser
To do
- CoNLL 2007
- Otestovat mé výstupy oficiálním skriptem eval.pl, nebo jak se jmenuje.
- Zkusit ještě jednou pustit parser na všechny jazyky s vypnutým rozepisováním alternativ.
- Totéž, ale vypnout úpravy morfologických značek, na ne-PDT značkách to nemůže fungovat.
- Totéž, ale učit se pouze na podrobných slovních druzích, hodnoty rysů zahodit.
- Totéž, ale navíc rys pád.
- Učit se na morfologických značkách překódovaných do sady PDT.
- Angličtina (větev adaptace na novou doménu)?
- Vše přetrénovat na celých trénovacích datech, rozebrat slepá testovací data a do soboty odeslat výsledky.
- Nová regrese na PDT 2.0 a commit (změny v ud.pm). Co je nového? Možnost vypnout rozepisování alternativ! U CoNLL to může uškodit, ale nemůže to pomoct! Kromě toho není dobře, že neSGML znak na vstupu má zvláštní význam - vlastně by se měl zakódovat jako |.
- Vyřešit situaci, kdy svislítko ve vstupních datech (značkách, slovech, heslech) se považuje za oddělovač alternativních anotací. Přinejmenším v arabských datech (přepsaných podle Tima Buckwaltera) se může objevit jako normální písmeno! I pokud se nesprávně interpretuje jako oddělovač, neměla by se funkce ud() zacyklit.
- Půjde zřejmě o rozsáhlejší přestavbu funkce ud(), kterou bude potřeba pečlivě otestovat na parsingu PDT. Součástí přestavby by mělo být i to, že parametrem funkce už nebude jeden řetězec, ale pole, kde prvním prvkem bude typ události a další prvky budou její parametry. Pak bude jasné, že na alternativy se dělí každý parametr zvlášť a že je potřeba nakombinovat všechny alternativy všech parametrů.
- Odstranit závislost parseru na konfiguračním souboru
parser.ini
.- Nejdůležitější výchozí hodnoty dát přímo do zdrojáku
parse.pm
, aby bylo možné pracovat úplně bez konfiguračního souboru. Např. vstup ze standardního vstupu, výstup na standardní výstup a veškerá diagnostická hlášení na standardní chybový výstup. - Složka
pracovni
nemusí existovat, psalo by se do/tmp
(resp. Milanem přidělené alternativy), nebo vůbec nikam. - Parser si sám zjistí, zda na vstupu má
<t>
,<MDt>
, nebo<MMt>
(nebo kombinaci uvedeného). Pokud má více různých zdrojů, vybere si výchozí zdroj podle nějaké vestavěné tabulky priorit. Pokud konfigurační soubor nebo někdo jiný vyžadují konkrétní zdroj, který na vstupu není k dispozici, parser ohlásí chybu nebo alespoň varování.
- Převádění vstupních slov na malá písmena by mělo být volitelné. Např. u arabštiny přepsané podle Tima Buckwaltera by to mohlo i uškodit, protože tam velká písmena nemají s odpovídajícími malými nic společného.
Výchozí nastavení
- 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).