• Znova rozchodit Morfessor.
• Předcházející pokusy proběhly v rámci přípravy výuky o neřízené morfematické segmentaci.
  • /net/work/people/zeman/enlex
  • Do nástrojů vede odkaz z enlex.
  • Přesto je novější verze v TectoMT.
  • Je v ní také můj skript train.pl.
• Rozebrat Morfessorem všechna anglická a česká trénovací, vývojová i testovací data.
  • Vybrat vhodný malý pokus s malými daty, na kterých se to provede.
  • Pozor! Pokud pustím Morfessora na malých datech, bude dávat horší výsledky, než když ho pustím na velkých!
• Pustit Joshuu včetně Gizy.
• Prozkoumat, co vypadlo z Gizy, protože to bude hlavní zajímavost do článku.

Morfessor mám momentálně v TectoMT, ale vede na něj také symbolický odkaz z nástrojů:

• $TMT_ROOT/personal/zeman/morfessor
• /home/zeman/nastroje/morfessor

Verze v TectoMT obsahuje moje úpravy Morfessora (např. práce s texty v UTF-8) a také můj obalovací skript train.pl.

Morfessor čte frekvenční slovník (na každém řádku četnost, mezera, slovo). Nejdříve mu ho tedy musíme vyrobit z jednojazyčné části paralelního korpusu (a klidně můžeme přihodit libovolné další texty v tomtéž jazyku, čím více a čím různorodější, tím lépe – Morfessor pak bude mít více materiálu pro správné určení morfů).

Pak ještě potřebujeme program, který načte Morfessorem navržené dělení trénovacích slov, zapamatuje si ho a aplikuje ho na libovolný tokenizovaný vstupní text. Tímto programem potom proženeme naše paralelní data.