Differences

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

--- user:zeman:treebanks [2014/04/22 15:56]
zeman HamleDT TODO
+++ user:zeman:treebanks [2014/05/22 15:29]
zeman Arabština zůstane vadná.
@@ Line 2: / Line 2: @@
 .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:
+**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.
   * 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?
-  * Do jazyků s cizími písmy doplnit transliteraci – budeme se o to snažit už v této verzi?
-    * Pro některou z příštích verzí zvažujeme přidat automatický a zarovnaný překlad od Googlu, tak bychom transliteraci mohli odložit na stejný okamžik.
   * 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 také vyrobit patche, tj. CoNLL soubory s vyplněnými zadními sloupci plus jednoduchý skript, který to slepí s původními daty a cestou zkontroluje, že ta původní data vypadají důvěryhodně
+  * 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, že ta původní data vypadají důvěryhodně
   * 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, jaké korpusy a jazyky současná verze obsahuje
+    * <del>Podrobně popsat, jaké korpusy a jazyky současná verze obsahuje</del>
     * Podrobně popsat, "How to Get It"
-      * Skupina treebanků "Free", které šíříme přímo my
+      * <del>Skupina treebanků "Free", které šíříme přímo my</del>
-      * Skupina treebanků "Easy", kde můžeme snadno odkázat na web, kde uživatel treebank získá
+      * <del>Skupina treebanků "Easy", kde můžeme snadno odkázat na web, kde uživatel treebank získá</del>
-      * Skupina treebanků "Rest" (musí se někomu napsat a o data ho požádat, případně si je objednat za peníze)
+      * <del>Skupina treebanků "Rest" (musí se někomu napsat a o data ho požádat, případně si je objednat za peníze)</del>
       * Návod k použití patchů
-      * Odkaz na návod na instalaci Treexu
+      * <del>Odkaz na návod na instalaci Treexu</del>
     * Přidat reference na naše články a jasně říct, "How to cite HamleDT" (asi chceme, aby lidi citovali nejen LINDAT, ale i naše články, takže bychom měli říct, který preferujeme)
       * 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
-    * Výrazná sekce What's New: HamleDT 2.0 / Stanford nebo tak něco
+    * <del>Výrazná sekce What's New: HamleDT 2.0 / Stanford nebo tak něco</del>
-      * Nový jazyk (slovenština)
+      * <del>Nový jazyk (slovenština); kromě toho estonština byla přeřazena do skupiny Free.</del>
-      * Nová data (čeština, doufejme arabština, pak taky asi angličtina (původně jsme psali o 2009?), ještě něco? katalánština? španělština? Porovnat s prvním článkem!)
+      * <del>Nová data (čeština, hindština, doufejme arabština, pak taky asi angličtina (původně jsme psali o 2009?). Porovnat s prvním článkem!)</del>
-      * Stanfordské transformace
+      * <del>Stanfordské transformace</del>
-      * Numerous bugfixes
+      * <del>Numerous bugfixes</del>
     * Ve spolupráci s Honzou Ptáčkem vyrobit i grafickou upoutávku na titulní stranu
-    * Vymyslet způsob, jak by se obsah webu zrcadlil v SVN, kde máme treexový kód pro HamleDTa
   * Nezapomenout inzerovat HamleDT 2.0 v corpora@uib.no!
   * Přidat odkazy na HamleDT na všechna relevantní místa (zejména ke všem jazykům) do ACL Wiki
+Odloženo do příští verze HamleDTa:
+  * 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::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.
 ====== Treebanks for Various Languages ======

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

Institute of Formal and Applied Linguistics Wiki

Differences