Interset is being completely rewritten using Moose, the object-oriented extension to Perl 5. In the end it will be published on CPAN as Lingua::Interset.

• Zkontrolovat, jaký kód ještě nebyl přenesen ze staré verze (zejména tagset::common) do nové.
  • Obecné funkce pro přístup k ovladačům, např. Lingua::Interset::decode('en::penn').
    • Bude možné tyto funkce vyexportovat do hlavního jmenného prostoru?
  • Testy ovladačů.
• Projít ###!!!, zejména ve FeatureStructure:
  • Přejmenovat prep na adp?
  • Úplně rozpustit subpos?
  • Dokumentace nových rysů: nountype, adjtype, verbtype, conjtype.
  • Nemohli bychom zrušit rys synpos?
  • Nová hodnota prn v prontype.
  • Sloučeny rysy tense a subtense.
  • Co s číslovkami?
• Přenést všechny ovladače, které vznikly v Treexu a do SVN Intersetu se zatím nedostaly.
• Přenést celý projekt Interset i s historií ze serveru svn na Redmine.
• Uspořádat seminář a brainstorming pro zájemce o Interset.
  • Do té doby prozkoumat Martinovy návrhy a udělat si na ně názor.
• Sepsat manuál pro nové autory ovladačů.
• Vlastní zveřejnění na CPANu:
  • Zdeněk doporučuje Distzillu, která hodně usnadní výrobu balíčku k publikaci.
  • Zdeněk má v Treexu nějaký skript, který promítne číslo revize SVN do čísla verze na CPAN.
• Jak prezentovat Interset neperlovému světu? Např. tabulky pro decode(). Jde o to, aby lidé mohli Interset snadno použít i v Pythonu, Javě, C a jinde.
  • Sem patří i Tagzplorer!
  • Interset by si zasloužil nějaké logo.

• Clean up tagset::common w.r.t. the various algorithms of enforcing permitted values.
• 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: does a driver decode into arrays? If so, what features are affected? If not, is it capable of encoding arrays (i.e. does it call the function that gets rid of arrays)?
• New test in driver-test.pl: how many tags / what proportion of the tagset are decoded using the other feature? Enumerate them. Maybe, tags that set the other feature should not be considered when building the list of possible feature structures? (Sometimes it happens that a feature-value combination is permitted only in an other tag. Although the set of set/unset features could be used as an additional clue leading to this tag, such tags are often marginal stuff that one does not want to use as default.)
  • A workaround. Simulate decoding from foreign tagsets. 1. Decode all tags of tagset A. 2. Clear the features tagset and other in all feature structures. 3. Now force the tags to defaults (some obscure categories are lost and the tags have to adapt themselves to the fallback categories). 4. Encode all tags again. 5. Check the resulting tags. It is OK if a tag was transformed into another correct tag. However, if a tag was rendered incorrect, it should be discarded from the set of tags that define the correct feature-value combinations.
• Extend the print_permitted_fs.pl tool so that it can search all available drivers. If it is called that way, it prints the name of the driver in front of every feature structure generated by that driver. Print to STDOUT (now it prints to STDERR). Let the user query and filter the feature structure directly: '$_→{mood} eq “ind” && $_→{other} =~ m/^X/'. Grepping the textual output is less powerful.
• Enable checking out the latest development version directly from the Subversion repository.
• Create a web interface to DZ Interset. The user will be able to enter a tag from an arbitrary set (the interface will be able to recognize the set or sets) and get a detailed description in English or Czech of the feature values. Features and values could link to Wikipedia explanations. Conversions to other tagsets (including round-trip conversions) will be provided and all tags will link to similar descriptions of their own. Example words will be provided for every tag. The interface will also be able to read whole files in common corpus formats (CoNLL, PML, CSTS, RDT, TEI, Penn, Brill…), highlight word forms / lemmas / tags and link to tag descriptions. Conversion of tags in whole files will be provided.
• The package to download and the Subversion repository should contain a copy of this wiki pages, both in DokuWiki syntax and in HTML.

• Normalize processing of pronouns, determiners, interrogative adverbs etc. Old drivers use a different approach from the new ones (beginning with Bulgarian). Pronoun as an independent part of speech will cease to exist.
  • Remove pos=“pron”. Distribute pronouns to nouns, adjectives and adverbs. When encoding into a tagset that distinguishes pronouns, detect pronouns by non-empty prontype. Remove subposes of pronouns (pers, clit…)
  • Remove subpos = pers and subpos = recip. These features should now be captured by prontype.
  • Move subpos=clit to an independent feature so that it is easier to ask whether a pronoun is personal. Or remove the feature. This is connected to the problem of changed processing of pronouns, and of the processing of contracted word forms (see below).
  • Create new value prontype = oth. It will be used when we know that a word is pronoun but we do not know its type and do not want to set the default prs (personal).
  • Create a new feature or some other means of marking that a Czech pronoun contains an encliticised form of the 2nd person of the auxiliary verb “být”, as in “ses”, “sis”, “tos”, “tys”. The Multext East tagset defines a special feature called clitic_s, used only in Czech.
• Find more fine-grained classification of punctuation and symbols. Danish has punctuation proper, symbols (+, $), and strange strings like “U-21”.
• Classification of coordinative conjunctions: copulative, adversative etc. Example: sv::mamba.
• Create overview of common elements that do not have their own part of speech. E.g. infinitive particles. Specifically, make a global classification of “small parts of speech” (pavilón malých šelem ), especially particles, adpositions and conjunctions, punctuation and foreign words, hyphenated prefixes and abbreviations. (Pronouns, determiners and numerals are excluded as a separate chapter.)
• Create an overview of verb forms, moods and tenses in various languages, and their representation in DZ Interset.
• 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 “proň”, “bylť”, German “zum” and probably other phenomena in other languages. Enclitical pronouns are special case. In some languages they can or must join a verb or other words (Czech “byls”, “sis”, “tys”, “žes”; Spanish “despiértate”, “despertarse”, “démelo”). Similar problem (but to much greater extent) arises in Arabic where the grammar often requires small words being glued to big ones (e.g. “wa” (conjunction), “al” (article) etc.) Warning! I believe that currently the Czech “proň” is tagged differently in cs::pdt and cs::multext. Both set subpos = preppron but the former under pronoun, the latter under preposition.

• Sloučit vlastnosti verbform a mood? V současnosti (29.3.2008) se mood vyskytuje v ar::conll, bg::conll, cs::pdt, da::conll, de::stts, sv::hajic a sadách z nich odvozených. Všude se vyskytuje pouze u určitých sloves (verbform = fin), pouze u sv::hajic se vyskytuje ještě u supina, ale tam je stejně uveden indikativ a nic se tím nerozlišuje. Na druhou stranu to, že máme způsob (mood) oddělený, umožňuje nejen říkat tomu správně způsob, ale také nastavit obecné finitní sloveso při dekódování sad značek, které způsob nezachycují. Otázka je, jestli v takovém případě není vždy způsob oznamovací. Divně by to mohlo vypadat v jazycích, kde se způsob tvoří výhradně analyticky, pokud takové jsou. Pokud tyto rysy zůstanou oddělené, mohli zavést nový test (jehož výsledkem by nebyla chyba, ale jen varování), který by hlídal, že když je nastaven způsob, je slovesný tvar nastaven na fin.
• Příčestí by mělo mít vlastní slovní druh. S tím, že některé sady ho řadí pod sloveso a jiné pod přídavné jméno, jsou jenom problémy.
• Pokud se osvědčí nové třídění zájmen, posvítit si i na číslovky. Některé přesunout k zájmenům (“kolik”, “kolikátý”), jiné jako zvláštní podkategorie podstatných jmen (“čtvrtina”, “sedmero”), přídavných jmen (“čtvrtý”, “dvojí”) a příslovcí (“čtyřikrát”, “poprvé”).
• Předělat binární vlastnosti na hodnoty “yes” a “no”. Nebo “1” a “0”? Nebo “1” a “”? (Tohle by se na rozdíl od “yes” a “no” alespoň lépe používalo v Perlu.)
• Přejmenovat number = plu na plur?
• Zrušit subpos = voc. Zatím se používá pro vokalizované tvary českých předložek v cs::pdt (a odvozeném cs::conll; nikde jinde). Místo toho by se ale dalo využít variant = long. U tříd předložek to teď narušuje členění na předložky, záložky a “okololožky” (cirkumpozice). Problém: jak vokalizované, tak nevokalizované předložky se také vyskytují s variant = 1. Nemůžu do jednoho rysu nacpat současně long a 1, a nemůžu ani říct, že z 1 taky plyne vokalizovanost.
• Define new value pluralia tantum (ptan) of number? It is present in the Bulgarian CoNLL tagset and it could theoretically be present in other languages, including Czech.

• cs::pdt - reimplement “type L” pronouns as collective pronouns (introduced due to Bulgarian)