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:interset:to-do [2007/10/01 17:11] zeman |
user:zeman:interset:to-do [2008/03/31 16:14] zeman |
||
---|---|---|---|
Line 3: | Line 3: | ||
===== Infrastructure ===== | ===== Infrastructure ===== | ||
- | ==== Strict | + | * 14.3.2008: During the last two weeks I made substantial changes to all the drivers due to extensive driver testing and new strict |
+ | * Clean up '' | ||
+ | * Query feature value: a shared function detects array and if it is array, searches it for a given value. | ||
+ | * New test in driver-test.pl: | ||
+ | * New test in driver-test.pl: | ||
+ | * Extend the '' | ||
- | The encoder should be able to work in two modes: | + | ===== Features and values |
- | * Preserving as much information as possible, even if the resulting tag is a new (unexpected by the designers of the tagset) combination of feature | + | |
- | * Strictly keeping the original set of possible tags, by forcing selected features to compatible values. This should be default, if available. | + | |
- | Although this requirement has been known since the very beginning | + | * Udělat pořádek v zájmenech, determinátorech, |
+ | * Reduce value range of '' | ||
+ | * Remove '' | ||
+ | * Remove '' | ||
+ | * Ze subpos=clit udělat samostatnou vlastnost, aby se usnadnil dotaz, zda je zájmeno osobní. Nebo tuto vlastnost spíš zrušit. Tohle je jednak problém změny práce se zájmeny, jednak připravované koncepce práce se staženými tvary (viz níže). | ||
+ | * Find more fine-grained classification of punctuation | ||
+ | * Classification of coordinative conjunctions: | ||
+ | * Create overview of common elements that do not have their own part of speech. E.g. infinitive particles. Specifically, | ||
+ | * Design methodology for contracted word forms where two different parts of speech have merged in one word. Currently this is solved at different places in different ways. Examples: Czech " | ||
- | The process of strict encoding could be automated using the list() function of the driver. A service function could decode every possible tag (as listed by list()) and build a graph of feature values. The strict encoding would correspond to a path through the graph. Every node in the graph would correspond to a partially encoded tag. The set of edges leaving the node would be pruned so as not to allow any unexpected combination of features. | + | ==== Things to think about (not sure that these changes should really |
- | The graph would not be constructed in full. Such a process would be too costly. Instead, every feature would be given a numeric priority, and there would be a total ordering of the features according to their priorities. The encoding process would always consider the features with higher priority first, thus the graph would be a tree with as many leaves as there are tags in the tagset. | + | * Sloučit vlastnosti '' |
- | + | ||
- | How will the strict encoding look in practice? A service function will read the feature tree and a set of feature values to be encoded. The function will traverse the tree and adjust the feature values to match a tag from the list. Then the normal encode() function of the driver will be called. A prerequisite is that the driver keeps the condition encode(decode(x))=x. This has not been tested so far but the drivers indeed should conform to it. | + | |
- | + | ||
- | 2 druhy striktního kódování: | + | |
- | * Opravdu striktní zajistí, že na výstupu se neobjeví značka, která není na seznamu. | + | |
- | * Mírnější přístup tohle nepožaduje, ale pomůže překódovat hodnoty, které se v cílové sadě nevyskytují. Např. pokud cílová sada nezná duál, uděláme | + | |
- | + | ||
- | ==== Service functions ==== | + | |
- | + | ||
- | * Check whether decode() sets only known features. | + | |
- | * Check whether decode() sets features only to known values. | + | |
- | * Unset features: | + | |
- | * Return list of unset features. | + | |
- | * Fill one or all unset features with default values. | + | |
- | * Fill one or all unset features with arrays of all possible values. | + | |
- | * Query feature value: a shared function detects array and if it is array, searches it for a given value. | + | |
- | * Společná funkce: před encode(): máme-li list(), pravděpodobně umíme doplnit povinné neznámé vlastnosti na základě známých. (To nám výrazně usnadní strict encoding.) | + | |
- | + | ||
- | ===== Features and values ===== | + | |
- | + | ||
- | * Přejmenovat compdeg = norm na pos (pozitiv). | + | |
- | * Přejmenovat number=plu na plur? | + | |
- | * Sloučit vlastnosti verbform a mood. | + | |
- | * Udělat z poss opět jenom subpos? | + | |
- | * Přece jen přidat kategorie zájmen? Dánové mají: demonstrative, | + | |
- | * Ze subpos=clit udělat samostatnou vlastnost, aby se usnadnil dotaz, zda je zájmeno osobní. | + | |
- | * Udělat tu dotazovací funkci (viz výše)! Kromě technické práce s poli ještě přidat hierarchii hodnot: když se někdo ptá na " | + | |
- | * Obdobně pro funkci decode() udělat servisní funkci, která nabídne hodnoty pro nevyplněné vlastnosti na základě jiných vyplněných (např. ukazovací zájmeno implikuje určitost a atributivnost). Musí se to ale pořádně promyslet - např. pokud jazyk nemá compdeg=abs, | + | |
- | * Udělat | + | |
- | * Jemněji roztřídit interpunkci. Dánové mají vlastní interpunkci, potom symboly | + | |
- | * Předělat binární vlastnosti na hodnoty " | + | |
- | * Přejmenovat compdeg | + | |
* Příčestí by mělo mít vlastní slovní druh. S tím, že některé sady ho řadí pod sloveso a jiné pod přídavné jméno, jsou jenom problémy. | * Příčestí by mělo mít vlastní slovní druh. S tím, že některé sady ho řadí pod sloveso a jiné pod přídavné jméno, jsou jenom problémy. | ||
- | * Subjektform a objektform u švédských | + | * Pokud se osvědčí nové třídění |
- | * Členy | + | * Předělat binární vlastnosti na hodnoty " |
+ | * Přejmenovat number = plu na plur? | ||
+ | * Zrušit '' | ||
===== Specific drivers ===== | ===== Specific drivers ===== | ||
* cs::pdt - reimplement "type L" pronouns as collective pronouns (introduced due to Bulgarian) | * cs::pdt - reimplement "type L" pronouns as collective pronouns (introduced due to Bulgarian) | ||
- | |||
- | ===== Paper notes ===== | ||
- | |||
- | ==== Time needed for tag set conversion ==== | ||
- | |||
- | Poznámky o časové náročnosti konverze morfologických značek | ||
- | ----------------------------------------------------------- | ||
- | |||
- | Ruský treebank (nejen značky, ale vůbec převod formátu): | ||
- | 12:36 | ||
- | |||
- | Arabské značky (Otovy i Buckwalterovy, | ||
- | 4:45+1+1:40 = 7:25 | ||
- | |||
- | České značky PDT (přes 4000 značek; jádro Intersetu vzniklo jako vedlejší produkt, když jsem dělal tohle) | ||
- | asi 2 dny, tedy dejme tomu 18 hodin | ||
- | |||
- | Dánské značky DDT/Parole (144 značek s košatým popisem) | ||
- | asi 7 hodin | ||
- | |||
- | Švédské značky Mamba (48 značek) | ||
- | asi 3 hodiny | ||
- | |||
- | Penn Treebank (36 značek) | ||
- | asi 3 hodiny, ale tady jsem to ještě neměřil, takže to je jen hrubý zpětný odhad | ||
- | |||
- | Hajičovy švédské značky | ||
- | 0:32 - tady zjevně chybí úplná statistika | ||
- | |||
- | Arabské značky CoNLL | ||
- | 4: | ||
- | |||
- | České značky PDT (CoNLL verze? Nebo to jsou jen opravy, když jsem začal ovladače testovat?) | ||
- | 1: | ||
- | |||
- | Bulharské značky CoNLL | ||
- | 0: | ||
- | (ale u bulharštiny jsem se dost natrápil s jevy, které do té doby nebyly v intersetu podchycené) | ||
- | |||
- | Anglické značky CoNLL | ||
- | 0:48 - možná tady chybí statistika, ale možná taky ne, protože stačilo upravit existující ovladač Penn Treebanku, ne? | ||
- | |||
- | Žádné z výše uvedených převodů (tedy vše napsané před říjnem 2007) ještě neměly k dispozici chytré funkce pro nahrazování nepovolených hodnot. | ||