This is an old revision of the document!
Table of Contents
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, 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:
- Nahradit arabská data novými (Zdeněk je slíbil do začátku května)
- 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
- 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
- Podrobně popsat, “How to Get It”
- Skupina treebanků “Free”, které šíříme přímo my
- Skupina treebanků “Easy”, kde můžeme snadno odkázat na web, kde uživatel treebank získá
- Skupina treebanků “Rest” (musí se někomu napsat a o data ho požádat, případně si je objednat za peníze)
- Návod k použití patchů
- Odkaz na návod na instalaci Treexu
- 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
- Nový jazyk (slovenština)
- Nová data (čeština, doufejme arabština, pak taky asi angličtina (původně jsme psali o 2009?), ještě něco? katalánština? španělština? Porovnat s prvním článkem!)
- Stanfordské transformace
- Numerous bugfixes
- 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
- 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)
Treebanks for Various Languages
To Process
Ahoj,
stáhl jsem nový španělský závislostní korpus IULA (větší než AnCora)
/net/projects/tectomt_shared/data/resources/treebanks/es
License: CC BY 3.0 (Unported)
Web: http://www.iula.upf.edu/recurs01_tbk_uk.htm
Doc: http://www.iula.upf.edu/recurs01_conll_uk.htm
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
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.
Martin