500 likes | 738 Views
Labb 2: Syntax och ordklasstaggning. Att arbeta med grammatiskt analyserade data. Labb 2. Arbete med grammatiskt analyserad text Vilka ord finns i texten? Hur många ordtyper innehåller den? Hur ser fördelningen mellan olika ordklasser ut?
E N D
Labb 2: Syntax och ordklasstaggning Att arbeta med grammatiskt analyserade data
Labb 2 Arbete med grammatiskt analyserad text Vilka ord finns i texten? Hur många ordtyper innehåller den? Hur ser fördelningen mellan olika ordklasser ut? använda kommandoradsverktyg i Unix för att sammanställa lexikon och fraslistor utvärdera och analysera verktyg för lingvistisk analys.
Plan Verktyg för lingvistisk analys ConnexorMachinese Syntax Grundläggande Unix Unix-verktyg för textbehandling: grep, sed, cut, paste, sort, uniq, …
Verktyg för grammatisk analys ”Machinese Syntax” är ett program som analyserar ord med avseende på lemma (grundform) ordklass och morfologiska kategorier dependenser och dependensfunktioner Prova själv: http://www.connexor.eu/technology/machinese/demo/syntax/
Lemman Grundform som representerar ett ords samtliga böjningsformer (ung. uppslagsord i lexikon) Normalt väljs den oböjda (eller minst markerade) formen Lemma: dyka dyka, dyker, dök, dykte, dykt, dykas, dyks, döks, dyktes och dykts Lemman är beroende av ordklass bilar (bil om substantiv, bila om verb)
Automatisk ordklasstaggning Uppgift: att tilldela varje ord i en korpus en kategori som visar dess ordklass ev. med morfologisk information. Indata: textfil och resursdata (lexikon med ”taggar”, regler, …) Utdata: texten med en ordklasstagg för varje ord.
Morfologiska särdrag i svenska För substantiv: genus, kasus, numerus, bestämdhet För verb: tempus, diates, modus För adjektiv: genus, numerus, bestämdhet För (vissa) pronomen: person, kasus, numerus
Hur svårt är ordklasstaggning? Homonymi svenska: var, runda, trumpet, fyrar, att, lurar… Homonymi engelska: can, book, import, snow, to, till… I Brown-korpusen (1 miljon ord) är över 40 procent av alla löpord mångtydiga vad gäller ordklass.
Hur svårt är ordklasstaggning? Enklast möjliga metod Välj den vanligaste ordklassen för varje ord Engelska: ca 9 av 10 textord får rätt ordklass Svenska: ca 7 av 10 textord får rätt ordklass Bästa tillgängliga system 94-98% beroende på texttyp
Syntaktisk parsning Parsning innebär att, automatiskt eller för hand, tilldela en mening en syntaktisk beskrivning (eller struktur) Hur hänger orden i meningen ihop? Labb 3 Parsning med frasstrukturgrammatik Dependensgrammatik Bygger på relationer mellan ord som speglar ”beroendeförhållanden”
Dependenser i grafiskt format det subj obj attr Den gamla hunden äter frukost . main
Hur ska man tolka utdata? Tabbar mellan varje ”kolumn” • Ordposition (med nummer) • Ordform (som ordet ser ut i texten) • Lemma(grundform) • Funktionell dependens (syntaktisk funktion och position för styrande ordet) • Ordklass & morfosyntaktiska särdraga) huvudord/bestämningar b) ordklasskategori c) särdrag
I labben är inte alla delar centrala… Ord-pos. Ordform Stam/Lemma Funk. dependens Ordklass & morfologi 0 1 Den den det:>3 %>N DET SG NOM 2 gamla gammal attr:>3 %>N A NOM 3 hunden hund subj:>4 %NH N SG NOM 4 äter äta main:>0 %MV V PRES 5 frukost frukost obj:>4 %NH N SG NOM 6
Ordklasstaggar i Machinese Syntax V – verb N – substantiv PRON - pronomen A – adjektiv ADV - adverb PREP – preposition (på, i, under…) CC – samordnande konjunktion (och, men) CS – underordnande konjunktion (medan, att)
Ordklasstaggar i Machinese Syntax NUM – numeral (räkneord) DET – artikel (det, de , den , en, ett) AD – perfekt particip-form av verb, fungerar ofta som adjektiv (skjuten, upprörd, sluten) NDE – presens particip-form av verb, fungerar ofta som adjektiv NEG-PART – negativt adverb (inte, ej) INTERJ – interjektion (hejsan!) INFMARK – infinitivmärke (att)
Morfologiska kategorier Kasus: NOM – nominativ (grundform) GEN – genitiv ACC – ackusativ (objektsform) Numerus SG – singularis PL – pluralis
Morfologiska kategorier Komparering (adj/adv) <Cmp> - komparativ (dyrare) <Sup> - superlativ (dyrast) Tempus och modus PRES – presens PAST – preteritum (imperfekt) INF – infinitiv IMP - imperativ
Användning av taggade data Korpuslingvistik Frekvensdata för lexikala enheter (dvs lemman) Hitta tendenser i hur ord fördelar sig på olika grammatiska funktioner Hitta tendenser i vilka ord som tenderar att vara subjekt resp. objekt till olika verb Språkteknologi Frågebesvarande system Översättning producera välformade översättningar …
Labb 2: Syfte Utifrån text som analyserats av Machinese Syntax ska ni skapa olika typer av lexikon/ordlistor. Med hjälp av dessa filer kan man besvara frågor som Vilka ord finns i texten? Vad räknas som ord? Hur många ordtyper innehåller den? Hur ser fördelningen mellan olika ordklasser ut? Använd kommandoradsverktyg i Unix för att skapa stamlexikon med graford och ordklass frekvensordlistor över lemma/stam och ordklass fraslistor för givna mönster/fraser, t.ex, nominalfraser bestående av "DET A N".
Labb 2: Syfte Utvärdering av automatisk ordklassanalys och språkliga kategorier som ges som utdata. Analysera prestanda: vad görs rätt och vad blir fel?
Unix kommandoradsverktyg • ls – lista alla filer i arbetskatalogen • cd – byt katalog • rm – ta bort en fil/katalog • mv – byt namn på en fil/katalog • man – läs manualen för ett kommando • man cut
Unix kommandoradsverktyg Textverktyg grep skriv ut rader som matchar ett RU sed sök och ersätt med RU tr byt ut eller ta bort tecken sort sortera rader uniq ta fram unika rader cutklipp ut kolumner paste sätt ihop kolumner wc räknar rader, ord och tecken man visa manual för olika kommandon och verktyg
Verktyg – grep Textfilter Söker igenom en text rad för rad och skriver ut alla rader som innehåller den eftersökta strängen.grep ’sökuttryck’ textfil grep ’Karlsson’ textfil Eva Karlsson 22 22 22 Sven Karlsson 33 33 33 …
Grep Ggrep En version av grep som kan tolka utökade reguljära uttryck (URU). ggrep –E ’RU’ textfil Andra flaggor:-E använd utökade RU (Extended)-i matcha både små och stora bokstäver -w matcha ord dvs. strängar med ordgräns på varje sida. Motsvarar \b’reg. uttr.’\b-v inversen. Skriver ut varje rad som inte matchar sökuttrycket.
Verktyg – grep > ggrep -E ’coh’ textfil Bill coh Bull coh Maja. > ggrep -E ’Bill’ textfilBill coh Bull > ggrep -E ’B.ll’ textfilBill coh Bull
Sed Streameditor ”sök och ersätt” > gsed -r ’substitutionsuttryck’ textfil Substitutionsuttryck:s/sökuttryck/ersättningssträng/ Sökuttryck: ett reguljärt uttryckErsättningssträng: en vanlig textsträng > sed ’s/coh/och/’ textfilBill och Bull jagadePelleochMaja.
Verktyg - sed Alla rader skrivs ut > sed ’s/coh/och/’ textfilBill och Bull jagade Pelle och Maja. Ex. s/[0-9]/X/g g – alla förekomster på raden byts ut i – sökning på små och stora bokstäver
Sed forts. s/([KC]arlsson)/<NAME>\1<\/NAME>/g Astrid Lindgrens berömda barnbok ”<NAME>Karlsson</NAME> på taket” går på export. Ersättningsfältet kan innehålla referenser till sökuttrycket. ’/’ specialtecken i substitutionsuttryck
Omdirigering i Unix < - läs från en fil > - skriv till en fil > ! - skriv över innehållet i en fil >>- skriv sist i en fil | - pipe, skicka utdata från ett kommando som indata till ett annat
Omdirigering i Unix, exempel grep 'hej' fil.txt > hejrader.txt grep '^A' fil.txt > ordnat.txt grep '^B' fil.txt >> ordnat.txt tr'U' 'u' < fil.txt | grep 'under' tr'U' 'u' < fil.txt > temp.txt grep 'under' temp.txt rmtemp.txt
UNIX pipes > cat textfil.txt Bill coh Bull jagade Pelle, Maja coh deras vän Måns. > cat textfil | grep ‘de’ jagade Pelle, Maja coh deras vän Måns. > cat textfil | grep ‘de’ | sed ‘s/coh/och/g’ jagade Pelle, Maja och deras vän Måns.
Machinese Syntax textformat Fem tab-separerade (‘\t’) kolumner Sista kolumnen indelad med mellanslag Ord-pos. Ordform Stam / lemma Funk. dependens Ordklass & morfologi 1 Jag jag subj:>2 %NH PRON SG NOM 2 packade packa main:>0 %MV V PAST 3 min jag attr:>4 %>N PRON SG GEN 4 väska väska obj:>2 %NH N SG NOM 1\tJag\tjag\tsubj:>2\t%NH PRON SG NOM\n
Att välja kolumner medcut Kommandot cut plockar kolumner ur en textfil. Om inte annat anges, antar att kolumner avdelas med tab-tecken. De kolumner man vill ha anges med flaggan –f : cut –f1 text cut –f1,3 text cut –f2-4 text Flaggan –d används för att specificera ett annat avdelningstecken än ’\t’. cut -d ’#’ –f2
Exempel cut Endast kolumn fem cut –f5 labbtext.fdg > kolumn5.txt Alla utom fjärde kolumnen cut –f1-3,5 labbtext.fdg Dela vid mellanslag (-d delimiter) cut –d ‘ ‘ –f2 kolumn5.txt > kolumn5-2.txt
Slå ihop kolumner: paste Kommandot paste sätter ihop två eller fler filer till en ny fil Omvänd operation i jämförelse med cut Separerar kolumner med tab om inte –d används. Exempel: paste kolumn2.txt kolumn1.txt > kolumn2-1.txt
Sortera rader: sort Kommandot sort sorterar textrader Sorterar från början i teckenordning Flaggor: -d Sortera i alfabetisk ordning, bara bokstäver, siffror och blanktecken används -n Sortera efter siffror i början på raden -r Omvänd sorteringsordning (reverse) -k Specificera vilken kolumn som ska sorteras på, startkolumn och slutkolumn kan anges
Exempel sort Alfabetiskt sortering, ingen skillnad på gemener och versaler, baklänges sort –d –f –r fil.txt > sorterad-text Två filer i nummerordning sort –n fil1 fil2 > sorterad-fil1-2 Vad tar mest plats på kontot? du –ka | sort –nr | head
Vid duplicerade rader: uniq Kommandot uniq kan användas för att ta bort eller räkna duplicerade rader Förutsättning: raderna intill varandra, dvs filen måste vara sorterad! Exempel: uniqplural.txt > singular.txt sort indata | uniq –c > frekvensfil
Räkna ord: wc Räknar rader, ord och tecken i en fil wc artikel.txt 350 5109 29195 Filen innehåller 350 rader, 5109 ord och 29195 tecken.
Fler Unix-verktyg cat – visa allt innehåll i en fil less – gå igenom innehållet i en fil q – avsluta /pattern – sök framåt ?pattern – sök bakåt more – ungefär som less head/tail – se början/slutet av en fil
Fler Unix-verktyg cd – byt katalog rm – ta bort en fil/katalog mv – byt namn på en fil/katalog man – läs manualen för ett kommando man cut
Bigram och trigramsfiler Bigram = två på varandra följande ord ”Den gamla hunden äter frukost” den gamla gamla hunden hunden äter äter frukost Lista 1: den gamla hunden äter frukost Lista 2: gamla hunden äter frukost
Köra många kommandon på en gångmed skript Skriv in kommandona i en fil (kommando.sh): cut –f 2 indata > kolumn2 cut –f 1,3 indata > kolumn13 paste kolumn2 kolumn13 > kolumner213 rm kolumn2 kolumn13 Ändrarättigheterförfilen: chmodu+xkommando.sh chmod 755 kommando.sh Körfilen: kommando.sh
Uppgift 1 & 2 Uppgift 1: skapa lexikon (ordlistor) m.h.a. cut,paste, sort och uniq utvärdera lemma och ordklassbestämning Uppgift 2: ta ut olika typer av flerordsfraser Skapa egna bigram och trigram filer Använd ordklasser och sökmönster utvärdera morfologiska särdrag
Uppgift 3 Frivillig VG uppgift JämförordklasskategorierochmorfologiskasärdragfrånMachinese Syntax med Nusvenskgrammatik Vilka skillnader finns det? Finns alla morfologiska särdrag med i verktygets uppmärkning? För- och nackdelar med olika uppdelningar av ordklasser och morfologiska särdrag.