Differences
This shows you the differences between two versions of the page.
Next revision | Previous revision Next revision Both sides next revision | ||
user:zeman:treebanks [2011/11/01 22:10] zeman vytvořeno |
user:zeman:treebanks [2014/05/22 15:29] zeman Arabština zůstane vadná. |
||
---|---|---|---|
Line 1: | Line 1: | ||
- | ====== | + | ====== |
- | ===== Arabic (ar) ===== | + | 22.4.2014: DZ: Prošel jsem všech 30 jazyků a dal jsem jejich pražskou normalizaci alespoň částečně do pořádku. Částečně znamená, že jsem vynuloval testy na AfunNotNR, FinalPunctuation a vše kolem nekonzistentních koordinací. Samozřejmě by to chtělo dál pracovat na Auxech, interpunkci a zbytečných neprojektivitách, |
- | Prague Arabic Dependency Treebank (PADT) | + | **Verze 2.0 by měla být hotová a zakonzervovaná nejpozději v pátek 23.5.2014!** V pondělí 26. začíná LREC na Islandu, kde bude Ruda tuto verzi prezentovat. |
- | ==== Versions ==== | + | * Nahradit arabská data novými (Zdeněk je slíbil do začátku května) |
+ | * Aktualizace 19. května: Zdeněk to nestihne. Znamená to, že v 99 % vět je alespoň jeden uzel, který nemá vyplněné lemma nebo značku nebo obojí. Nemám spočítané přímo procento všech uzlů, ale bude taky velmi vysoké. Rozhodně to není tak, že by v každé větě byl jen jeden uzel vadný. | ||
+ | * Bohužel teď nemáme moc možností, co s tím. Stará data z CoNLL 2007 byla mizerná, protože tam chyběly hodnoty is_member. K nim se vracet nechci. S novými daty nedokážu ve zbývajícím čase nic pořádného udělat, to bude urgentní TODO po vydání HamleDTa 2.0. Vynechat arabštinu taky nechci, je to jeden z těch volných jazyků a v článku jsme ho slíbili. Takže to prostě vydáme v tom stavu, ve kterém to je, nedá se nic dělat. | ||
+ | * Přegenerovat Stanfordí část HamleDTa, případně ji nějak otestovat (Ruda a Honza?) | ||
+ | * Vymyslet lepší hierarchii složek na disku? | ||
+ | * Přegenerovat HamleDT 2.0 free: | ||
+ | * Původní, pražská i stanfordská anotace | ||
+ | * Formáty Treex i CoNLL, pro stanfordskou anotaci navíc stanfordský formát | ||
+ | * Vyrobit patche pro non-Free treebanky, tj. CoNLL soubory s vyplněnými zadními sloupci plus jednoduchý skript, který to slepí s původními daty a cestou zkontroluje, | ||
+ | * Po všech testech zmrazit verzi 2.0 (archiv na disku) a vydat ji v Lindatu (buď všechny jazyky, přičemž pro non-free tam budou pouze patche, nebo free a non-free zvlášť). Prolinkovat web Lindatu s webem HamleDTa | ||
+ | * Aktualizovat web HamleDT | ||
+ | * < | ||
+ | * Podrobně popsat, "How to Get It" | ||
+ | * < | ||
+ | * < | ||
+ | * < | ||
+ | * Návod k použití patchů | ||
+ | * < | ||
+ | * Přidat reference na naše články a jasně říct, "How to cite HamleDT" | ||
+ | * Hodila by se i podrobnější dokumentace obsahu treebanků a harmonizačního procesu. Pokud to nestihneme, tak alespoň tabulka afunů s vysvětlivky (v podstatě už ji máme v islandském článku) | ||
+ | * Dan musí dodělat v Bibliu značkování publikací, aby bylo možné na stránky HamleDTa vygenerovat seznam všech publikací, které se HamleDTa týkají | ||
+ | * < | ||
+ | * < | ||
+ | * < | ||
+ | * < | ||
+ | * < | ||
+ | * Ve spolupráci s Honzou Ptáčkem vyrobit i grafickou upoutávku na titulní stranu | ||
+ | * Nezapomenout inzerovat HamleDT 2.0 v corpora@uib.no! | ||
+ | * Přidat odkazy na HamleDT na všechna relevantní místa (zejména ke všem jazykům) do ACL Wiki | ||
- | * Original PADT 1.0 as distributed by the LDC | + | Odloženo do příští verze HamleDTa: |
- | * CoNLL 2006 | + | |
- | * CoNLL 2007 | + | |
- | The CoNLL 2007 version reportedly improves over CoNLL 2006 in quality of morphological annotation. | + | * Vymyslet způsob, jak by se obsah webu zrcadlil v SVN, kde máme treexový kód pro HamleDTa |
+ | * Do jazyků s cizími písmy doplnit transliteraci. | ||
+ | * Pro některou z příštích verzí zvažujeme přidat automatický a zarovnaný překlad od Googlu, tak bychom transliteraci mohli odložit na stejný okamžik. | ||
+ | * Přidat HamleDT do (aktualizovat v) PML-TQ. Dořešit přístup pro nepřihlášené vs. přihlášené uživatele. Odkázat na to ze stránek HamleDTa. | ||
+ | * Zavést verzování dat, dotáhnout pravidelné automatické regresní testování (cron-diff, Dan má zatím první nástřel) | ||
+ | * Vytvořit webovou službu (např. scénář v rámci Treex:: | ||
- | ==== Obtaining and License | + | ====== Treebanks for Various Languages ====== |
- | + | ||
- | The original PADT 1.0 is distributed by the LDC under the catalogue number [[http:// | + | |
- | + | ||
- | * non-commercial research usage | + | |
- | * no redistribution | + | |
- | * cite [[http:// | + | |
- | The CoNLL 2006 and 2007 versions are obtainable upon request under similar license terms. Their publication in the LDC together with the other CoNLL treebanks is being prepared. | + | http://ufal.mff.cuni.cz/ |
- | ==== Domain ==== | + | * [[user: |
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
+ | * [[user: | ||
- | Newswire text from press agencies (Agence France Presse, Ummah, Al Hayat, An Nahar, Xinhua 2001-2003). | + | ===== To Process ===== |
- | ==== Size ==== | + | Ahoj, |
+ | stáhl jsem nový španělský závislostní korpus IULA (větší než AnCora) | ||
+ | / | ||
- | According to their website, the original PADT 1.0 contains 113,500 tokens annotated analytically. The CoNLL 2007 version contains 116,793 tokens in 3043 sentences, yielding 38.38 tokens per sentence on average (CoNLL 2007 data split: 111,669 tokens | + | License: |
+ | Web: http://www.iula.upf.edu/ | ||
+ | Doc: http:// | ||
+ | Download: http:// | ||
+ | Parsing: | ||
+ | state-of-the-art LAS score is 94.7 using Mate-C | ||
+ | sentences | ||
+ | tokens | ||
- | ==== TO DO ==== | + | The sentences have been choosed from the IULA LSP corpus, automatically annotated with POS information and manually annotated with syntactical information using the DELPH-IN environment. The resulting syntactic analysis is automatically converted to dependencies and delivered using the CONLL format. |
- | * Documentation of m-tags, s-tags etc., tokenization issues, vocalization, | + | Martin |
- | * Link to website, citation of the data (LDC), citation of the main publication | + | |
- | * Sample sentence, statistics of nonprojectivity etc. | + | |
- | * Known published parsing accuracies, especially CoNLL 2006 and 2007 | + | |
- | * Missing is_member attribute in CoNLL versions | + |