Prague Dependency Treebank and Functional Generative Description

Slides:



Advertisements
Podobné prezentace
Assessment of ETCS Definition in Term of its Formalisation
Advertisements

1 Škola: Gymnázium, Brno, Slovanské náměstí 7 Šablona: III/2 – Inovace a zkvalitnění výuky prostřednictvím ICT Název projektu: Inovace výuky na GSN prostřednictvím.
Present Simple and Continuous
Podpora rozvoje cizích jazyků pro Evropu 21. stol. INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Tento projekt je spolufinancován Evropským sociálním fondem a státním.
Tutorial: Mechanic - electrician Topic: Technical training II. class Printed circuit boards 3 Prepared by: Melichařík Lubomír Projekt Anglicky v odborných.
Novinky ze zahraničí IVIG 2008
Previously existing lexical data resources automatic preprocessing manual annotation manual & automatic consistency checking automatic postprocessing resulting.
1 Jarmila Panevová Malá Skála – září 2012  GA ČR P406/2010/0875 „Computational Linguistics: Explicit description of language and annotated data focused.
Evoluce Katalýza. © 2011 Nature Publishing Group. Published by Nature Publishing Group.2 Figure 1 Rapid evolutionary innovation during an Archaean.
Appearance Length: 80 to 130 cm The tail measures 11 to 25 cm Males usually weigh 18 to 30 kg Females weigh 8 to 21 kg Male can weigh up to 38 kg, reportedly.
Jméno autora: Mgr. Mária Filipová Datum vytvoření: Číslo DUMu: VY_32_INOVACE_02_AJ_EP Ročník: 1. – 4. ročník Vzdělávací oblast:Jazyk a jazyková.
Jméno autora: Mgr. Mária Filipová Datum vytvoření: Číslo DUMu: VY_32_INOVACE_14_AJ_FT Ročník: 1. – 4. ročník Vzdělávací oblast:Jazyk a jazyková.
Daniel.steigerwald.cz Třídy, dědičnost a OOP v Javascriptu.
Tutorial: Mechanic - electrician Topic: Electric measurement the 2nd. year Measuring devices 1 Prepared by: Ing. Jiří Smílek Projekt Anglicky v odborných.
Jméno autora: Mgr. Mária Filipová Datum vytvoření: Číslo DUMu: VY_32_INOVACE_14_AJ_CM Ročník: 1. – 4. ročník Vzdělávací oblast:Jazyk a jazyková.
Lada Leszkowová, Gymnázium K.V. Raise Hlinsko, 2014 leden
AS A MAN THINKETH an interactive listen, read and repeat book for learning American English A NEW EDITION OF JAMES ALLEN’S CLASSIC edited by Robert Silber.
Výukový materiál zpracovaný v rámci projektu Označení:Sada: 3 Ověření ve výuce:Třída: Datum: Registrační číslo projektu:CZ.1.07/1.5.00/ VY_32_INOVACE_ANJ_VL_3_20.
Název a adresa školy: Střední odborné učiliště stavební, Opava, příspěvková organizace, Boženy Němcové 22/2309, Opava Název operačního programu:OP.
Unit 4 Infinitiv Příslovečné určení místa a času What ´s the time? Číslovky násobné - ingový tvar.
Číslo projektuCZ.1.07/1.5.00/ Číslo materiálu VY_32_INOVACE_AJK-3.PT-19-Služby Název školyStřední odborná škola a Střední odborné učiliště, Dubno.
ŠkolaStřední průmyslová škola Zlín Název projektu, reg. č.Inovace výuky prostřednictvím ICT v SPŠ Zlín, CZ.1.07/1.5.00/ Vzdělávací.
Píseň “ABC” Reakce?. Kdo je tady? Kdo má domácí úkol?
Číslo projektuCZ.1.07/1.5.00/ Číslo materiálu VY_32_INOVACE_AJK-2.PT-15-Česká republika Název školyStřední odborná škola a Střední odborné učiliště,
Výukový materiál zpracovaný v rámci projektu Označení:Sada: 3 Ověření ve výuce:Třída: Datum: Registrační číslo projektu:CZ.1.07/1.5.00/ VY_32_INOVACE_ANJ_VL_3_15.
Abba – poslech, práce s textem.
Digitální výukový materiál zpracovaný v rámci projektu „EU peníze školám“ Projekt:CZ.1.07/1.5.00/ „SŠHL Frýdlant.moderní školy“ Škola:Střední škola.
Terezie Rosová MARCH MAY JUNE JUNE-SEPTEMBER SEPTEMBER OCTOBER.
Jméno autora: Mgr. Mária Filipová Datum vytvoření: Číslo DUMu: VY_32_INOVACE_07_AJ_CM Ročník: 1. – 4. ročník Vzdělávací oblast:Jazyk a jazyková.
CPSSU Czech Political Science Students’ Union Unie studentů politických věd v ČR.
WALES „Autorem materiálu a všech jeho částí, není-li uvedeno jinak, je Mgr.Dana Brdíčková.
Elektronická učebnice - II
Tutorial: Engineering technology Topic: Casting to temporary forms Prepared by: Ing. Elena Nová Projekt Anglicky v odborných předmětech, CZ.1.07/1.3.09/
Přítomné časy, budoucí – will, minulý čas prostý - 6. ročník Základní škola Jakuba Jana Ryby Rožmitál pod Třemšínem Efektivní výuka pro rozvoj potenciálu.
Předpřítomný čas Autorem materiálu a všech jeho částí, není-li uvedeno jinak, je Ondřej Hoberla. Dostupné z Metodického portálu ISSN:
Využití multimediálních nástrojů pro rozvoj klíčových kompetencí žáků ZŠ Brodek u Konice reg. č.: CZ.1.07/1.1.04/ Předmět:Anglický jazyk Ročník:6.
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Podpora rozvoje cizích jazyků pro Evropu 21. stol. Tento projekt je spolufinancován Evropským sociálním fondem a státním.
Practical experience with implementation of GMP + B4.1 system Miloslav Válek The association of road transport operators ČESMAD BOHEMIA.
Podpora rozvoje cizích jazyků pro Evropu 21. stol. INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Tento projekt je spolufinancován Evropským sociálním fondem a státním.
ŠKOLA: Gymnázium, Tanvald, Školní 305, příspěvková organizace ČÍSLO PROJEKTU: CZ.1.07/1.5.00/ NÁZEV PROJEKTU: Šablony – Gymnázium Tanvald ČÍSLO.
Modal Verbs = způsobová slovesa.
Čím pojedete na dovolenou ? Co takhle autíčkem ?.
DIANA NARVÁEZ Hlavní město Ekv. Je Quito nacházející se v horách Ekv se dělí na 4 časti: Amazonie, Hory, Přimoří a Galapágy V Ekv. Žije 12´
Jméno autora: Mgr. Olga Bayerlová Datum vytvoření: Číslo DUMu: VY_32_INOVACE_07_AJ1G Ročník: II. Anglický jazyk Vzdělávací oblast: Jazyk a jazyková.
Registrační číslo projektu: CZ.1.07/1.4.00/ Jméno autora:Mgr. Věra Vepřeková Třída/ročník: IX. Datum vytvoření: Šablona:III/2č. materiálu:
Podpora rozvoje cizích jazyků pro Evropu 21. stol. INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Tento projekt je spolufinancován Evropským sociálním fondem a státním.
Jméno autora: Mgr. Olga Bayerlová Datum vytvoření: Číslo DUMu: VY_32_INOVACE_18_AJ3E Ročník: II. Anglický jazyk Vzdělávací oblast: Jazyk a jazyková.
Sun clock. Interesting  Oldest time devices  Types- solid  - portable  Time is determined by shadow  The oldest clock in Trutnov range.
Nové modulové výukové a inovativní programy - zvýšení kvality ve vzdělávání Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem.
Educational program: Mechanic - electrician Title of program: Technical training II. class Astable multivibrator Worked out: Bc. Chumchal Miroslav Projekt.
Konverzace v anglickém jazyce ročník
Setkání uživatelů SFX Statistické reporty SFX.
Maturita oral exam rehearsal Lada Leszkowová, GKVR Hlinsko, 2013 prosinec The Czech Republic.
Markéta Lopatková Institute of Formal and Applied Linguistics, MFF UK T-Layer of PDT: Coreference.
Valency in the Prague Dependency Treebank
Škola1. ZŠ T. G. Masaryka Milevsko AutorMgr. Lenka Soldátová ČísloVY_32_INOVACE_68 NázevPresent simple - negative Téma hodinyČinnosti doma i ve škole PředmětAnglický.
Jméno autora: Mgr. Mária Filipová Datum vytvoření: Číslo DUMu: VY_32_INOVACE_01_AJ_EP Ročník: 1. – 4. ročník Vzdělávací oblast:Jazyk a jazyková.
O.Topolčan, Š. Svobodová, H.Rosolová Medical Faculty nad Faculty Hospital Pilsen Czech Republic.
IPZe laboratory Analysis of the communication over USB L Instructor: Straka Martin, Kaštil Jan.
Příjemce Základní škola, Třebechovice pod Orebem, okres Hradec Králové Registrační číslo projektuCZ.1.07/1.1.05/ Název projektu Digitalizace výuky.
Tento výukový materiál vznikl v rámci Operačního programu Vzdělávání pro konkurenceschopnost 1. KŠPA Kladno, s. r. o., Holandská 2531, Kladno,
1 Škola: Gymnázium, Brno, Slovanské náměstí 7 Šablona: III/2 – Inovace a zkvalitnění výuky prostřednictvím ICT Název projektu: Inovace výuky na GSN prostřednictvím.
Podpora rozvoje cizích jazyků pro Evropu 21. stol. INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Tento projekt je spolufinancován Evropským sociálním fondem a státním.
Střední průmyslová škola strojnická Olomouc, tř.17. listopadu 49 Výukový materiál zpracovaný v rámci projektu „Učíme moderně“ Registrační číslo projektu:
Critical thinking Critical thinking is a general term that covers all thinking processes that strive to get below the surface of something: questioning,
CSD 232 • Descriptive Phonetics Distinctive Features
Multiplying Fractions
Image Stitching II Linda Shapiro ECE/CSE 576.
CONCLUSIONS AND RECOMMENDATION
Transkript prezentace:

Prague Dependency Treebank and Functional Generative Description Markéta Lopatková Institute of Formal and Applied Linguistics, MFF UK lopatkova@ufal.mff.cuni.cz

Prague Dependency Treebank ~ application of the FGD theory on the large set of data http://ufal.mff.cuni.cz/pdt2.0/ data tools documentation: Guide, http://ufal.mff.cuni.cz/pdt2.0/ manuals for individual layers http://ufal.mff.cuni.cz/pdt2.0/doc/pdt-guide/en/html/ch05.html survey of data formats and tools release 2.0 (2006) PDT – FGD vs. PDT Lopatková

Prague Dependency Treebank (cont.) 4 layers: word layer (w-layer) morphological layer (m-layer) analytical layer (a-layer) layers of annotation tectogrammatical layer (t-layer) layers of description t,a,m-layer a,m-layer train dtest etest total # documents 2 536 316 3 168 2 170 # sentences 38 737 5 228 5 477 49 442 38 538 # tokens 652 700 87 988 92 669 833 357 671 490 PDT – FGD vs. PDT Lopatková

Prague Dependency Treebank (cont.) stand-off annotation manual annotation with a massive post-annotation consistency checking formats and tools: – TrEd … tree editor and viewer (Pajas, xxxx) http://ufal.mff.cuni.cz/~pajas/tred/index.html – PML data format (XML-based format ) http://ufal.mff.cuni.cz/pdt2.0/doc/data-formats/pml/index.html – PML-TQ … search tool http://ufal.mff.cuni.cz/~pajas/pmltq/ more during the practical sessions PDT – FGD vs. PDT Lopatková

PDT: w-layer layer of source texts (1991-1995) – Lidové noviny (daily newspapers) – Mladá fronta Dnes (daily newspapers) – Českomoravský Profit (business weekly) – Vesmír (scientific journal) part of the Czech National Corpus a sequence of tokens (word forms and punctuation marks) including errors, typing errors, bad segmentation, … PDT – FGD vs. PDT Lopatková

PDT: m-layer the sequence of tokens divided into sentences errors are corrected annotation: – morphological lemma – morphological tag – id – reference to w-layer – form (corrections: spelling errors, incorrectly split or joined words, …) manually annotated (parallel annotation) PDT – FGD vs. PDT Lopatková

PDT: m-layer Některé kontury problému se však po oživením Havlovým projevem zdají být jasnější . [Some contours of the problem seem to be clearer after the resurgence by Havel's speech.] Form Lemma Morphological tag Některé některý PZFP1---------- kontury kontura NNFP1-----A---- problému problém NNIS2-----A---- se se_^(zvr._zájmeno/částice) P7-X4---------- však J^------------- po po-1 RR--6---------- oživení oživení_^(*3it) NNNS6-----A---- Havlovým Havlův_;S_^(*3el) AUIS7M--------- projevem projev NNIS7-----A---- zdají zdát VB-P---3P-AA--- být Vf--------A---- jasnější jasný AAFP1----2A---- . Z:------------- PDT – FGD vs. PDT Lopatková

PDT: a-layer dependency tree one token from m-layer ~ one node incl. prepositions, punctuation … plus technical root relations ~ edges dependency, coordination, punctuation, … linear ordering ~ surface word order annotation: – analytical function (afun) – linear order – is_member – is_parenthesis_root – id – reference to m-layer coordination, apposition, parenthesis PDT – FGD vs. PDT Lopatková

PDT: a-layer Některé kontury problému se však po oživením Havlovým projevem zdají být jasnější . [Some contours of the problem seem to be clearer after the resurgence by Havel's speech.] PDT – FGD vs. PDT Lopatková

PDT: t-layer tectogrammatical tree structure ~ dependency tree nodes for auto-semantic/lexical words only syn-semantic/functional words as attributes of lexical words (plus technical root) ellipses as nodes edges ~ relations (dependency, coordination, others) link to a valency lexicon for verbs and (certain types of) nouns topic-focus articulation (TFA) linear ordering ~ deep word order contextually bounded and unbounded nodes coreference PDT – FGD vs. PDT Lopatková

PDT: t-layer (basic attributes) tectogrammatical tree structure – t-lemma – functor – grammatemes (16 attributes starting with the prefix gram ) – is_member – is_parenthesis_root – id – reference to a-layer … topic-focus articulation (TFA) – deepord – tfa coreference – coref_text.rf – coref_gram.rf PDT – FGD vs. PDT Lopatková

PDT: t-layer Některé kontury problému se však po oživením Havlovým projevem zdají být jasnější . [Some contours of the problem seem to be clearer after the resurgence by Havel's speech.] PDT – FGD vs. PDT Lopatková

Linking the layers references from a higher layer to a lower layer : t-layer  a-layer a-layer  m-layer m-layer  w-layer 1:1 correspondence between nodes of the m- and a-layers PDT – FGD vs. PDT Lopatková

Division of the data to layers xxxx t-layer a-layer m-layer PDT – FGD vs. PDT Lopatková

Division of the data into training and test sets                                                                                          PDT – FGD vs. PDT Lopatková

Number of tokens from the particular sources PDT – FGD Lopatková

Návštěvy kin a divadel patří mezi méně časté aktivity mladých lidí v České republice. [Attending cinemas and theaters belongs to less frequent activities of young people in the Czech republic.]

Podle slov pražského primátora Jana Koukala by tato čtvrť měla vzniknout během roku a půl. [In the words of the city's mayor Jan Koukal, this quarter should arise in a year and a half.]

Společnost vyrábí model Charade japonské automobilky Daihatsu, který je v Číně používán mimo jiné jako taxi. [The company produces the Charade model of the Japanese car factory Daihatsu, which is used in China also as a taxi.]

Differences between FGD and PDT PDT – FGD vs. PDT Lopatková

Differences between FGD and PDT tectogrammar/deep syntax surface syntax morphematics morphonology phonology PDT t-layer (tectogrammatical l.) a-layer (analytical l.) m-layer (morphological l.) w-layer (word layer) structural layers reasons analysis vs. synthesis/generation richer information technical reasons (financial, temporal restrictions, implementation) PDT – FGD vs. PDT Lopatková

Differences between FGD and PDT (cont.) morphematics (FGD) vs. m-layer (PDT) morphemes for individual words are grouped grammatical categories ~ morphological tags annotated text is divided into sentences PDT – FGD vs. PDT Lopatková

Differences between FGD and PDT (cont.) structural layers technical root connecting constructions for coordination and apposition in PDT PDT – FGD vs. PDT Lopatková

Differences between FGD and PDT (cont.) surface syntax (FGD) vs. a-layer (PDT) each token of m-layer is represented by a node (incl. prepositions, auxiliary verbs, punctuation, …) (vs. units corresponding to formemes) edges for non-dependency relations (other than coordination/apposition) function words (e.g., auxiliary verbs) usually below respective lexical words exception: prepositions, subordinating conjunctions as parents of lexical words PDT – FGD vs. PDT Lopatková

Differences between FGD and PDT (cont.) surface syntax (FGD) vs. a-layer (PDT) each token of m-layer is represented by a node (incl. prepositions, auxiliary verbs, punctuation, …) (vs. units corresponding to formemes) edges for non-dependency relations (other than coordination/apposition) function words (e.g., auxiliary verbs) usually below respective lexical words exception: prepositions, subordinating conjunctions as parents of lexical words ellipses: elided words are not restored at a-layer a word modifying an elided word as a child of the 'lowest' ancestor PDT – FGD vs. PDT Lopatková

Differences between FGD and PDT (cont.) deep/tectogram. syntax (FGD) vs. t-layer (PDT) core vs. periphery specific constructions (direct speech, comparison) edges for non-dependency relations syntactically unclear expressions list structures phrasemes info on the (non)realization in the surface sentence (is_generated) PDT – FGD vs. PDT Lopatková

Differences between FGD and PDT (cont.) deep/tectogram. syntax (FGD) vs. t-layer (PDT) core vs. periphery specific constructions (direct speech, comparison) edges for non-dependency relations syntactically unclear expressions list structures phrasemes info on the (non)realization in the surface sentence (is_generated) topic-focus articulation coreference relative/ interrogative pronouns, personal pronouns (3rd person) grammatical control, complement PDT – FGD vs. PDT Lopatková

Other treebanks: Prague dependency family Prague Dependency Treebank 1.0 (2001), 2.0 (2006) PDT – FGD vs. PDT Lopatková

Other treebanks: Prague dependency family Prague Dependency Treebank 1.0 (2001); 2.0 (2006); 2.5 (2012) http://ufal.mff.cuni.cz/pdt2.5/ Czech Academic Corpus 1.0 (2006), 2.0 (2008) http://ufal.mff.cuni.cz/rest/CAC/cac_20.html morphological annotation (652 000 tokens, 32 000 sentences) analytical annotation (493 000 tokens, 25 000 sentences) both written and spoken language manually annotated Prague Dependency Treebank of Spoken Czech http://ufal.mff.cuni.cz/pdtsl/ (in preparation) PDT – FGD vs. PDT Lopatková

Other treebanks: Prague dependency family Prague English Dependency Treebank 1.0 (2009) http://ufal.mff.cuni.cz/pedt/ texts from the Wall Street Journal (Penn Treebank III) adaptation of the PDT-like annotation scheme to English tectogrammatical annotation 12 440 annotated and checked trees Whether desirable or not, this is a child-care program, not an educational program. (Wall Street Journal 1286/49) PDT – FGD vs. PDT Lopatková

Other treebanks: Prague dependency family Prague Czech-English Dependency Treebank 1.0 (2004) http://ufal.mff.cuni.cz/pcedt/ Penn Treebank data (Wall Street Journal, 21 600 English sentences) human translators automatic conversions of Penn Treebank annotation into PDT-like annotation scheme (m-, a- and t-layers) plain text from Reader's Digest 1993-1996 (50 000 sentences) test data: 515 sentence pairs manually annotated on tectogrammatical level, Czech and English retranslated from Czech to English by 4 different translation companies PDT – FGD vs. PDT Lopatková

Other treebanks: Prague dependency family Prague Czech-English Dependency Treebank 2.0 Penn Treebank data manually annotated data (49 000 sentences) http://ufal.mff.cuni.cz/pcedt2.0/ But the strategy isn’t helping much this time. Tato strategie však tentokrát příliš nepomáhá . PDT – FGD vs. PDT Lopatková

Prague Czech-English Dependency Treebank EnglishT-wsj_0009-s2 EnglishT-wsj_0009-s2 EnglishT-wsj_0009-s2 EnglishT-wsj_0009-s2 EnglishT-wsj_0009-s2 Ale musíte uznat, že se tyto události odehrály před 35 lety. But you have *-1 to recognize that these events took place 35 years ago.

EnglishT-wsj_0009-s2 In the new position he will oversee Mazda 's U.S. sales, service, parts and marketing operations . Vitulli bude ve své nové funkci dohlížet na americký prodej, služby, součásti a marketing společnosti Mazda.

Pětapadesátiletý Rudolf Agnew, bývalý předseda společnosti Consolidated Gold Fields PLC, byl jmenován nevýkonným ředitelem tohoto britského průmyslového konglomerátu. Rudolph Agnew , 55 years old and former chairman of Consolidated Gold Fields PLC , was named *-1 a nonexecutive director of this British industrial conglomerate.

Prague dependency family Other treebanks: Prague dependency family Czech-English Parallel Corpus 1.0 (~15.0 M parallel sentences ) http://ufal.mff.cuni.cz/czeng/ collected automatically annotated automatically European laws, subtitles, technical documentation, electronic books, newspapers, … It is extremely important that Iraq held elections to a constitutional assembly. PDT – FGD vs. PDT Lopatková

Other treebanks: Prague dependency family Prague Arabic Dependency Treebank 1.0 (2004) http://ufal.mff.cuni.cz/padt/PADT_1.0/docs/index.html Functional Arabic Morphology analytical layer (about 130 000 tokens) tectogrammatical layer PDT – FGD vs. PDT Lopatková

References Sgall, P., Hajičová, E., Panevová, J. (1986) The Meaning of the Sentence in Its Semantic and Pragmatic Aspects. Reidel, Dordrecht. Hajičová, E., Panevová, J., Sgall, P. (2002) Úvod do teoretické a počítačové lingvistiky, sv. I. Karolinum, Praha. PDT guide http://ufal.mff.cuni.cz/pdt2.0/ PDT documentation Štěpánek, J. (2006) Závislostní zachycení větné struktury v anotovaném syntaktickém korpusu (nástroje pro zajištění konzistence dat). PhD thesis, MFF UK. PDT – FGD vs. PDT Lopatková