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:
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.
Přegenerovat Stanfordí část HamleDTa.Do archivu/net/projects/tectomt_shared/data/archive/hamledt/2.0_2014-05-24_treex-r12700zmrazit všechny podstatné soubory této verze:Původní, pražská i stanfordská anotaceFormáty Treex i CoNLL, pro stanfordskou anotaci navíc stanfordský formát. Každý soubor jednotlivě zagzipovat (v pracovní složce tohle zatím nemáme u stanfordských stromů)Aktuální výsledky testů pražské anotace (make table > tests.txt)- Otestovat alespoň, že máme pro každý jazyk stejnou sadu souborů za každý typ/formát.
- V archivní složce rekurzivně odebrat právo zápisu.
- Připravit aktuální soubor s licencí, odkazy na původní treebanky jakož i na web HamleDTa:
README.txt. - Vygenerovat HamleDT 2.0 free do
/net/projects/tectomt_shared/hamledt/2.0: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.Pro zbývající jazyky pouze CoNLL patche (pražská i stanfordská anotace).- Opět otestovat alespoň počty a názvy souborů pro jednotlivé jazyky a datové formáty.
- Místo souboru s testy vložit
README.txts licencí a odkazy (viz výše). - Celé to zabalit do jednoho balíku
.tar. - 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 web HamleDT
Podrobně popsat, jaké korpusy a jazyky současná verze obsahuje- Podrobně popsat, “How to Get It”
Skupina treebanků “Free”, které šíříme přímo mySkupina treebanků “Easy”, kde můžeme snadno odkázat na web, kde uživatel treebank získáSkupina treebanků “Rest” (musí se někomu napsat a o data ho požádat, případně si je objednat za peníze)Odkaz na návod na instalaci TreexuNávod k použití patchů
Výrazná sekce What's New: HamleDT 2.0 / Stanford nebo tak něcoNový jazyk (slovenština); kromě toho estonština byla přeřazena do skupiny Free.Nová data (čeština, hindština, doufejme arabština, pak taky asi angličtina (původně jsme psali o 2009?). Porovnat s prvním článkem!)Stanfordské transformaceNumerous bugfixes
- 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::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.
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