[ Skip to the content ]

Institute of Formal and Applied Linguistics Wiki

[ Back to the navigation ]

You are here: start » user » zeman » treebanks

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revision Previous revision
Next revision 		Previous revision
Next revision Both sides next revision
user:zeman:treebanks [2011/11/03 09:34]
zeman Documentation of morphology and syntax. 		user:zeman:treebanks [2014/05/26 18:02]
zeman Ukončuju další body.
Line 1: Line 1:
-====== Treebanks for Various Languages ======+====== HamleDT 2.0 TO DO ======
  
-===== 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, ale to už se v této verzi nedá zvládnout. Máme tu další související úkoly a přinejmenším některé z nich mají podle mě teď vyšší prioritu:
  
-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 ====+  * <del>Přegenerovat Stanfordí část HamleDTa.</del> 
 +  * <del>Do archivu ''/net/projects/tectomt_shared/data/archive/hamledt/2.0_2014-05-24_treex-r12700'' zmrazit všechny podstatné soubory této verze:</del> 
 +    * <del>Původní, pražská i stanfordská anotace</del> 
 +    * <del>Formáty Treex i CoNLL, pro stanfordskou anotaci navíc stanfordský formát. Každý soubor jednotlivě zagzipovat (v pracovní složce tohle zatím nemáme u stanfordských stromů)</del> 
 +    * <del>Aktuální výsledky testů pražské anotace (''make table > tests.txt'')</del> 
 +    * <del>Otestovat alespoň, že máme pro každý jazyk stejnou sadu souborů za každý typ/formát.</del> 
 +    * <del>V archivní složce rekurzivně odebrat právo zápisu.</del> 
 +  * <del>Připravit aktuální soubor s licencí, odkazy na původní treebanky jakož i na web HamleDTa: ''README.txt''.</del> 
 +  * <del>Vygenerovat HamleDT 2.0 free do ''/net/projects/tectomt_shared/hamledt/2.0'':</del> 
 +    * <del>Pro 13 volných jazyků (ar, cs, da, et, fa, fi, grc, la, nl, pt, ro, sv, ta) zkopírovat všechny soubory, které jsme dali do archivu.</del> 
 +    * <del>Pro zbývající jazyky pouze CoNLL patche (pražská i stanfordská anotace).</del> 
 +    * <del>Opět otestovat alespoň počty a názvy souborů pro jednotlivé jazyky a datové formáty.</del> 
 +    * <del>Místo souboru s testy vložit ''README.txt'' s licencí a odkazy (viz výše).</del> 
 +    * <del>Rekurzivně odebrat právo zápisu.</del> 
 +    * <del>Celé to zabalit do jednoho balíku ''hamledt-2.0-free.tar''.</del> 
 +  * <del>Vydat HamleDT 2.0 free v Lindatu.</del> 
 +  * <del>Aktualizovat [[http://ufal.mff.cuni.cz/hamledt|web HamleDT]]</del> 
 +    * <del>Podrobně popsat, jaké korpusy a jazyky současná verze obsahuje</del> 
 +    * <del>Podrobně popsat, "How to Get It"</del> 
 +      * <del>Skupina treebanků "Free", které šíříme přímo my</del> 
 +      * <del>Skupina treebanků "Easy", kde můžeme snadno odkázat na web, kde uživatel treebank získá</del> 
 +      * <del>Skupina treebanků "Rest" (musí se někomu napsat a o data ho požádat, případně si je objednat za peníze)</del> 
 +      * <del>Odkaz na návod na instalaci Treexu</del> 
 +      * <del>Návod k použití patchů</del> 
 +    * <del>Výrazná sekce What's New: HamleDT 2.0 / Stanford nebo tak něco</del> 
 +      * <del>Nový jazyk (slovenština); kromě toho estonština byla přeřazena do skupiny Free.</del> 
 +      * <del>Nová data (čeština, hindština, doufejme arabština, pak taky asi angličtina (původně jsme psali o 2009?). Porovnat s prvním článkem!)</del> 
 +      * <del>Stanfordské transformace</del> 
 +      * <del>Numerous bugfixes</del> 
 +    * <del>Ve spolupráci s Honzou Ptáčkem vyrobit i grafickou upoutávku na titulní stranu</del> 
 +  * <del>Inzerovat HamleDT 2.0 v corpora@uib.no!</del> 
 +  * <del>Inzerovat na ufal-l (tam včetně místní cesty k neveřejným datům)</del> 
 +  * <del>Inzerovat na facebookové stránce ÚFALu</del> 
 +  * <del>Přidat odkazy na HamleDT na všechna relevantní místa (zejména ke všem jazykům) do ACL Wiki</del>
  
-  * Original PADT 1.0 as distributed by the LDC +Odloženo na dobu po vydání HamleDTa 2.0:
-  * CoNLL 2006 +
-  * CoNLL 2007+
  
-The CoNLL 2007 version reportedly improves over CoNLL 2006 in quality of morphological annotation. Both CoNLL versions miss important parts of the original PADT annotation (see below).+  * Po LRECu 2014 doplnit referenci na nový článek a na webu z něj udělat ten hlavní "how to cite". 
 +    * K odkazům na články dodat také odkazy na PDF a BibTeX. 
 +    * 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 
 +  * Vymyslet lepší hierarchii složek na disku? 
 +  * Rozšířit systém testů, aby pokrýval i stanfordskou mutaci HamleDTa. 
 +  * Zlepšit podporu práci s CoNLL patchi. Dodat skript, který to slepí s původními daty a případně nějak pomůže u treebanků, u kterých není jasné, jak se jmenují a jak jsou uspořádané soubory, ve kterých uživatel dostal originální verzi. 
 +  * Dotáhnout parsing HamleDTa 2.0 a popsat jeho výsledky na webu. 
 +  * 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) 
 +    * Zařídit posílání e-mailů a automatické mazání výstupů, ve kterých nebyl zjištěn žádný rozdíl. Jinak se rychle zaplní disk, každou noc tam přibude několik gigabajtů. 
 +  * Vytvořit webovou službu (např. scénář v rámci Treex::Web), s jejíž pomocí si uživatel bude moci normalizovat nebo transformovat svoje data, aniž by si musel nainstalovat Treex u sebe. Podmínit to nějakým souhlasem, že smíme zpracovat jeho data. 
 +  * 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. 
 +    * Konečné rozhodnutí pro HamleDT 2.0: vrátil jsem se k PADT r349, z ní jsem do HamleDTa zařadil jen ty věty, ve kterých všechny uzly měly vyplněný afun. Pro další verze HamleDTa musíme nejdříve dotáhnout do přijatelného stavu samotné PADT.
  
-==== Obtaining and License ==== +====== Treebanks for Various Languages ======
- +
-The original PADT 1.0 is distributed by the LDC under the catalogue number [[http://www.ldc.upenn.edu/Catalog/CatalogEntry.jsp?catalogId=LDC2004T23|LDC2004T23]]. It is free for LDC members 2004, price for non-members is unknown (contact LDC). The [[http://ufal.mff.cuni.cz/corp-lic/padt10-ord.html|license]] in short: +
- +
-  * non-commercial research usage +
-  * no redistribution +
-  * cite [[http://ufal.mff.cuni.cz/padt/PADT_1.0/#refs|one publication]] in publications; also include: "The PADT 1.0 has been developed by the Institute of Formal and Applied Linguistics and the Center for Computational Linguistics (see http://ufal.mff.cuni.cz/)." +
- +
-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. +
- +
-PADT was created by members of the [[http://ufal.mff.cuni.cz/|Institute of Formal and Applied Linguistics]] (Ústav formální a aplikované lingvistiky, ÚFAL), Faculty of Mathematics and Physics (Matematicko-fyzikální fakulta), Charles University in Prague (Univerzita Karlova v&nbsp;Praze), Malostranské náměstí 25, Praha, CZ-11800, Czechia. +
- +
-==== Domain ==== +
- +
-Newswire text from press agencies (Agence France Presse, Ummah, Al Hayat, An Nahar, Xinhua 2001-2003). +
- +
-==== Size ==== +
- +
-According to their website, the original PADT 1.0 contains 113,500 tokens annotated analytically. The CoNLL 2006 version contains 59752 tokens in 1606 sentences, yielding 37.21 tokens per sentence on average (CoNLL 2006 data split: 54379 tokens / 1460 sentences training, 5373 tokens / 146 sentences test). 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 / 2912 sentences training, 5124 tokens / 131 sentences test). +
- +
-==== References ==== +
- +
-  * Website +
-    * http://ufal.mff.cuni.cz/padt/ +
-  * Data +
-    * Jan Hajič, Otakar Smrž, Petr Zemánek, Petr Pajas, Jan Šnaidauf, Emanuel Beška, Jakub Kráčmar, Kamila Hassanová: //Prague Arabic Dependency Treebank 1.0// (LDC2004T23). Linguistic Data Consortium, Philadelphia, USA, 2004. ISBN 1-58563-319-4. +
-  * Principal publications +
-    * Jan Hajič, Otakar Smrž, Petr Zemánek, Jan Šnaidauf, Emanuel Beška: [[http://ufal.mff.cuni.cz/padt/PADT_1.0/docs/papers/2004-nemlar-padt.pdf|Prague Arabic Dependency Treebank: Development in Data and Tools]]. In: //Proceedings of the NEMLAR International Conference on Arabic Language Resources and Tools//, pages 110-117, Cairo, Egypt, 2004. +
- +
-==== Inside ==== +
- +
-The original PADT 1.0 is distributed in the [[:format-fs|FS format]]. The CoNLL versions are distributed in the [[:format-conll|CoNLL-X format]]. The original PADT contains more information than the CoNLL version. There is morphological annotation (tags and lemmas) both manual and by a tagger (while only manual is in CoNLL data), glosses etc. However, the most important piece of information that got lost during the conversion to CoNLL is the FS attribute called ''parallel''. It distinguishes conjuncts from shared modifiers of coordination and thus the syntactic structure is incomplete without it. +
- +
-Word forms and lemmas are vocalized, i.e. they contain diacritics for short vowels as well as consonant gemination and a few other things. The CoNLL 2006 version includes [[http://www.qamus.org/transliteration.htm|Buckwalter transliteration]] of the Arabic script (in the same column as Arabic, attached to the Arabic form/lemma with an underscore character). +
- +
-Note that tokenization of Arabic typically includes splitting original words (inserting spaces between letters), not just separating punctuation from words. Example: وبالفالوجة = wabiālfālūjah = wa/CONJ + bi/PREP + AlfAlwjp/NOUN_PROP = and in al-Falujah. In PADT, conjunctions and prepositions are separate tokens and nodes. +
- +
-The original PADT 1.0 uses 10-character positional morphological tags whose documentation is hard to find. The CoNLL 2006 version converts the tags to the three CoNLL columns, CPOS, POS and FEAT, most of the information being encoded as pipe-separated attribute-value assignments in FEAT. There //should// be a 1-1 mapping between the PADT positional tags and the CoNLL 2006 annotation. The CoNLL 2007 version uses a tag conversion different from CoNLL 2006. Both CoNLL distributions contain a README file with a brief description of the parts of speech and features. Use [[http://quest.ms.mff.cuni.cz/cgi-bin/interset/index.pl?tagset=ar::conll|DZ Interset]] to inspect the two CoNLL tagsets. Also look at the [[http://quest.ms.mff.cuni.cz/cgi-bin/elixir/index.fcgi|Elixir FM online interface]] for a later development of the morphological analyzer created along with PADT. +
- +
-The guidelines for syntactic annotation are documented in the [[http://ufal.mff.cuni.cz/padt/PADT_1.0/docs/guides/PADT_Analytical.pdf|PADT annotation manual]] (only peculiarities of Arabic are documented, otherwise it is referenced to the annotation manual for the Czech treebank). The list and brief description of syntactic tags (dependency relation labels) can be found in [[http://ufal.mff.cuni.cz/padt/PADT_1.0/docs/papers/2002-flm-padt.pdf|(Smrž, Šnaidauf and Zemánek, 2002)]]. +
- +
-==== Sample ==== +
- +
-The first two sentences of the CoNLL 2006 training data: +
- +
-| 1 | غِيابُ_giyAbu | غِياب_giyAb | N | N | case=1<nowiki>|</nowiki>def=R | 0 | ExD | _ | _ | +
-| 2 | فُؤاد_fu&Ad | فُؤاد_fu&Ad | Z | Z | _ | 3 | Atr | _ | _ | +
-| 3 | كَنْعان_kanoEAn | كَنْعان_kanoEAn | Z | Z | _ | 1 | Atr | _ | _ | +
-| |||||||||| +
-| 1 | فُؤاد_fu&Ad | فُؤاد_fu&Ad | Z | Z | _ | 2 | Atr | _ | _ | +
-| 2 | كَنْعان_kanoEAn | كَنْعان_kanoEAn | Z | Z | _ | 9 | Sb | _ | _ | +
-| 3 | ،_, | ،_, | G | G | _ | 2 | AuxG | _ | _ | +
-| 4 | رائِد_rA}id | رائِد_rA}id | N | N | _ | 2 | Atr | _ | _ | +
-| 5 | القِصَّة_AlqiS~ap | قِصَّة_qiS~ap | N | N | gen=F<nowiki>|</nowiki>num=S<nowiki>|</nowiki>def=D | 4 | Atr | _ | _ | +
-| 6 | القَصِيرَةِ_AlqaSiyrapi | قَصِير_qaSiyr | A | A | gen=F<nowiki>|</nowiki>num=S<nowiki>|</nowiki>case=2<nowiki>|</nowiki>def=D | 5 | Atr | _ | _ | +
-| 7 | فِي_fiy | فِي_fiy | P | P | _ | 4 | AuxP | _ | _ | +
-| 8 | لُبْنانِ_lubonAni | لُبْنان_lubonAn | Z | Z | case=2<nowiki>|</nowiki>def=R | 7 | Atr | _ | _ | +
-| 9 | رَحَلَ_raHala | رَحَل-َ_raHal-a | V | VP | pers=3<nowiki>|</nowiki>gen=M<nowiki>|</nowiki>num=S | 0 | Pred | _ | _ | +
-| 10 | مَساءَ_masA'a | مَساء_masA' | D | D | _ | 9 | Adv | _ | _ | +
-| 11 | أَمْسِ_>amosi | أَمْسِ_>amosi | D | D | _ | 10 | Atr | _ | _ | +
-| 12 | عَن_Ean | عَن_Ean | P | P | _ | 9 | AuxP | _ | _ | +
-| 13 | 81_81 | 81_81 | Q | Q | _ | 12 | Adv | _ | _ | +
-| 14 | عاماً_EAmAF | عام_EAm | N | N | gen=M<nowiki>|</nowiki>num=S<nowiki>|</nowiki>case=4<nowiki>|</nowiki>def=I | 13 | Atr | _ | _ | +
-| 15 | ._. | ._. | G | G | _ | 0 | AuxK | _ | _ | +
- +
-The first sentence of the CoNLL 2006 test data:+
  
-| 1 | اِتِّفاقٌ_Ait~ifAqN | اِتِّفاق_Ait~ifAq | N | N | case=1<nowiki>|</nowiki>def=I | 0 | ExD | _ | _ | +http://ufal.mff.cuni.cz/hamledt/
-| 2 | بَيْنَ_bayona | بَيْنَ_bayona | P | P | _ | 1 | AuxP | _ | _ | +
-| 3 | لُبْنانِ_lubonAni | لُبْنان_lubonAn | Z | Z | case=2<nowiki>|</nowiki>def=R | 4 | Atr | _ | _ | +
-| 4 | وَ_wa | وَ_wa | C | C | _ | 2 | Coord | _ | _ | +
-| 5 | سُورِيَّةٍ_suwriy~apK | سُورِيا_suwriyA | Z | Z | gen=F<nowiki>|</nowiki>num=S<nowiki>|</nowiki>case=2<nowiki>|</nowiki>def=I | 4 | Atr | _ | _ | +
-| 6 | عَلَى_EalaY | عَلَى_EalaY | P | P | _ | 1 | AuxP | _ | _ | +
-| 7 | رَفْعِ_rafoEi | رَفْع_rafoE | N | N | case=2<nowiki>|</nowiki>def=R | 6 | Atr | _ | _ | +
-| 8 | مُسْتَوَى_musotawaY | مُسْتَوَى_musotawaY | N | N | _ | 7 | Atr | _ | _ | +
-| 9 | التَبادُلِ_AltabAduli | تَبادُل_tabAdul | N | N | case=2<nowiki>|</nowiki>def=D | 8 | Atr | _ | _ | +
-| 10 | التِجارِيِّ_AltijAriy~i | تِجارِيّ_tijAriy~ | A | A | case=2<nowiki>|</nowiki>def=D | 9 | Atr | _ | _ | +
-| 11 | إِلَى_<ilaY | إِلَى_<ilaY | P | P | _ | 7 | AuxP | _ | _ | +
-| 12 | 500_500 | 500_500 | Q | Q | _ | 11 | Atr | _ | _ | +
-| 13 | مِلْيُونِ_miloyuwni | مِلْيُون_miloyuwn | N | N | case=2<nowiki>|</nowiki>def=R | 12 | Atr | _ | _ | +
-| 14 | دُولارٍ_duwlArK | دُولار_duwlAr | N | N | case=2<nowiki>|</nowiki>def=I | 13 | Atr | _ | _ |+
  
-The first sentence of the CoNLL 2007 training data:+  * [[user:zeman:treebanks:grc|Ancient Greek (grc)]] 
 +  * [[user:zeman:treebanks:ar|Arabic (ar)]] 
 +  * [[user:zeman:treebanks:eu|Basque (eu)]] 
 +  * [[user:zeman:treebanks:bn|Bengali (bn)]] 
 +  * [[user:zeman:treebanks:bg|Bulgarian (bg)]] 
 +  * [[user:zeman:treebanks:ca|Catalan (ca)]] 
 +  * [[user:zeman:treebanks:cs|Czech (cs)]] 
 +  * [[user:zeman:treebanks:da|Danish (da)]] 
 +  * [[user:zeman:treebanks:nl|Dutch (nl)]] 
 +  * [[user:zeman:treebanks:en|English (en)]] 
 +  * [[user:zeman:treebanks:et|Estonian (et)]] 
 +  * [[user:zeman:treebanks:fi|Finnish (fi)]] 
 +  * [[user:zeman:treebanks:de|German (de)]] 
 +  * [[user:zeman:treebanks:el|Greek (el)]] 
 +  * [[user:zeman:treebanks:hi|Hindi (hi)]] 
 +  * [[user:zeman:treebanks:hu|Hungarian (hu)]] 
 +  * [[user:zeman:treebanks:it|Italian (it)]] 
 +  * [[user:zeman:treebanks:ja|Japanese (ja)]] 
 +  * [[user:zeman:treebanks:la|Latin (la)]] 
 +  * [[user:zeman:treebanks:fa|Persian (fa)]] 
 +  * [[user:zeman:treebanks:pt|Portuguese (pt)]] 
 +  * [[user:zeman:treebanks:ro|Romanian (ro)]] 
 +  * [[user:zeman:treebanks:ru|Russian (ru)]] 
 +  * [[user:zeman:treebanks:sk|Slovak (sk)]] 
 +  * [[user:zeman:treebanks:sl|Slovene (sl)]] 
 +  * [[user:zeman:treebanks:es|Spanish (es)]] 
 +  * [[user:zeman:treebanks:sv|Swedish (sv)]] 
 +  * [[user:zeman:treebanks:ta|Tamil (ta)]] 
 +  * [[user:zeman:treebanks:te|Telugu (te)]] 
 +  * [[user:zeman:treebanks:tr|Turkish (tr)]]
  
-| 1 | تَعْدادُ | تَعْداد_1 | N | N- | Case=1<nowiki>|</nowiki>Defin=R | 7 | Sb | _ | _ | +===== To Process =====
-| 2 | سُكّانِ | ساكِن_1 | N | N- | Case=2<nowiki>|</nowiki>Defin=R | 1 | Atr | _ | _ | +
-| 3 | 22 | [DEFAULT] | Q | Q- | _ | 2 | Atr | _ | _ | +
-| 4 | دَوْلَةً | دَوْلَة_1 | N | N- | Gender=F<nowiki>|</nowiki>Number=S<nowiki>|</nowiki>Case=4<nowiki>|</nowiki>Defin=I | 3 | Atr | _ | _ | +
-| 5 | عَرَبِيَّةً | عَرَبِيّ_1 | A | A- | Gender=F<nowiki>|</nowiki>Number=S<nowiki>|</nowiki>Case=4<nowiki>|</nowiki>Defin=I | 4 | Atr | _ | _ | +
-| 6 | سَ | سَ_FUT | F | F- | _ | 7 | AuxM | _ | _ | +
-| 7 | يَرْتَفِعُ | اِرْتَفَع_1 | V | VI | Mood=I<nowiki>|</nowiki>Voice=A<nowiki>|</nowiki>Person=3<nowiki>|</nowiki>Gender=M<nowiki>|</nowiki>Number=S | 0 | Pred | _ | _ | +
-| 8 | إِلَى | إِلَى_1 | P | P- | _ | 7 | AuxP | _ | _ | +
-| 9 | 654 | [DEFAULT] | Q | Q- | _ | 8 | Adv | _ | _ | +
-| 10 | مِلْيُونَ | مِلْيُون_1 | N | N- | Case=4<nowiki>|</nowiki>Defin=R | 9 | Atr | _ | _ | +
-| 11 | نَسَمَةٍ | نَسَمَة_1 | N | N- | Gender=F<nowiki>|</nowiki>Number=S<nowiki>|</nowiki>Case=2<nowiki>|</nowiki>Defin=I | 10 | Atr | _ | _ | +
-| 12 | فِي | فِي_1 | P | P- | _ | 7 | AuxP | _ | _ | +
-| 13 | مُنْتَصَفِ | مُنْتَصَف_1 | N | N- | Case=2<nowiki>|</nowiki>Defin=R | 12 | Adv | _ | _ | +
-| 14 | القَرْنِ | قَرْن_1 | N | N- | Case=2<nowiki>|</nowiki>Defin=D | 13 | Atr | _ | _ |+
  
-The first sentence of the CoNLL 2007 test data:+Ahoj, 
 +stáhl jsem nový španělský závislostní korpus IULA (větší než AnCora) 
 +/net/projects/tectomt_shared/data/resources/treebanks/es
  
-| 1 | مُقاوَمَةُ | مُقاوَمَة_1 | N | N- | Gender=F<nowiki>|</nowiki>Number=S<nowiki>|</nowiki>Case=1<nowiki>|</nowiki>Defin=R | 0 | ExD | _ | _ | +License:  CC BY 3.0 (Unported) 
-| 2 | زَواجِ | زَواج_1 | N | N- | Case=2<nowiki>|</nowiki>Defin=R | 1 | Atr | _ | _ | +Web:      http://www.iula.upf.edu/recurs01_tbk_uk.htm 
-| 3 | الطُلّابِ | طالِب_1 | N | N- | Case=2<nowiki>|</nowiki>Defin=D | 2 | Atr | _ | _ | +Doc:      http://www.iula.upf.edu/recurs01_conll_uk.htm 
-| 4 | العُرْفِيِّ | عُرْفِيّ_1 | A | A- | Case=2<nowiki>|</nowiki>Defin=D | 2 | Atr | _ | _ |+Download: http://repositori.upf.edu/handle/10230/20048 
 +Parsing:  http://www.taln.upf.edu/system/files/biblio_files/ijcnlp_final_padro_et_al_2013.pdf 
 +          state-of-the-art LAS score is 94.7 using Mate-C 
 +sentences  42,000 
 +tokens    590,000
  
-==== 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.
  
-  * Statistics of nonprojectivity +Martin
-  * Known published parsing accuracies, especially CoNLL 2006 and 2007+

[ Back to the navigation ] [ Back to the content ]