• Znova rozchodit Morfessor.
• Předcházející pokusy proběhly v rámci přípravy výuky o neřízené morfematické segmentaci.
  • /net/work/people/zeman/enlex
• 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.

Umístění programových souborů Morfessora nebo s Morfessorem souvisejících je popsáno výše.

Paralelní data, na která se to celé bude aplikovat, typicky leží v příslušné složce augmented_corpora. Předpokládám, že tam také budou ležet segmentované verze těchto korpusů po průchodu Morfessorem.

Pracovní složka pro Morfessora a všechna data, která souvisejí s konkrétním jazykem, ale nikoli s konkrétním korpusem pro tento jazyk, by měla ležet jinde. Asi by to mohlo být /net/work/people/zeman/morfessor, kam by se přesunuly i současné složky cslex a enlex.

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.

• Uvést cestu k augmented_corpora.
• Uvést kód jazyka, který chceme rozebrat.
• Vyjmenovat korpusy, ze kterých chceme texty v tomto jazyce použít.
• Postupně otevřít (včetně rozgzipování) všechny korpusy a prohnat je frekvenčním slovníkem.
• $STATMT/scripts/freqdict.pl
  • Pro Morfessor je ještě třeba prohodit sloupce (nejdřív četnost, pak slovo).

  • perl -pe 's/\r?\n$//; s/^(.*?)\t(\d+)/$2 $1\n/;' < freqdict.txt > formorfessor.txt

• Potom zavolat Morfessor:
• $TMT_ROOT/personal/zeman/morfessor/bin/train.pl < formorfessor.txt > freqdict.morfessor.txt
• To celé raději pouštět na clusteru.