Differences
This shows you the differences between two versions of the page.
Both sides previous revision Previous revision Next revision | Previous revision | ||
user:zeman:treebanks [2014/05/25 09:47] zeman |
user:zeman:treebanks [2014/07/17 17:43] (current) zeman Croatian. |
||
---|---|---|---|
Line 1: | Line 1: | ||
- | ====== HamleDT 2.0 TO DO ====== | ||
- | |||
- | 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, | ||
- | |||
- | **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. | ||
- | |||
- | * < | ||
- | * < | ||
- | * < | ||
- | * < | ||
- | * < | ||
- | * Otestovat alespoň, že máme pro každý jazyk stejnou sadu souborů za každý typ/ | ||
- | * V archivní složce rekurzivně odebrat právo zápisu. | ||
- | * Připravit aktuální soubor s licencí, odkazy na původní treebanky jakož i na web HamleDTa: '' | ||
- | * Vygenerovat HamleDT 2.0 free do ''/ | ||
- | * < | ||
- | * < | ||
- | * Opět otestovat alespoň počty a názvy souborů pro jednotlivé jazyky a datové formáty. | ||
- | * Místo souboru s testy vložit '' | ||
- | * Celé to zabalit do jednoho balíku '' | ||
- | * Asi už zrušit webový přístup k této složce. Kvůli verzi 1.0 to šlo, ale teď by měli všichni chodit přes Lindat. | ||
- | * Vydat HamleDT 2.0 free v Lindatu. | ||
- | * Aktualizovat [[http:// | ||
- | * < | ||
- | * < | ||
- | * < | ||
- | * < | ||
- | * < | ||
- | * < | ||
- | * < | ||
- | * < | ||
- | * < | ||
- | * < | ||
- | * < | ||
- | * < | ||
- | * Ve spolupráci s Honzou Ptáčkem vyrobit i grafickou upoutávku na titulní stranu | ||
- | * Inzerovat na facebookové stránce ÚFALu | ||
- | * 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 na dobu po vydání HamleDTa 2.0: | ||
- | |||
- | * 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) | ||
- | * Vytvořit webovou službu (např. scénář v rámci Treex:: | ||
- | * 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. | ||
- | |||
====== Treebanks for Various Languages ====== | ====== Treebanks for Various Languages ====== | ||
- | http:// | + | http:// |
* [[user: | * [[user: | ||
Line 70: | Line 9: | ||
* [[user: | * [[user: | ||
* [[user: | * [[user: | ||
+ | * [[user: | ||
* [[user: | * [[user: | ||
* [[user: | * [[user: |