MT-beaivvit cuoŋománus

Kursa 2016

Praktihkalaččat

bistá 5 beaivvi, mii álgit mánnodaga dii. 9

Prográmmaevttohus:

Trond, ML ja Lene leat hupman MT-vahku sisdoalu birra. Dát lea evttohus:

MÁNNODAGA

0 Bures boahtin

• Doaibmágo? echo ja | apertium -d. sme-smX
• Leago HFST ok? Kevina gohččumat ođasmahttit HFST:
  • wget http://apertium.projectjj.com/osx/install-nightly.sh
  • sudo bash install-nightly.sh
• Mii kompileregoahtit sme + smX + sme-smX
  • kompileren ja configure
• Vahku prográmma
• Jorgalanprográmmaid stáhtus
  • Buohtastahttin

1 Evalueret sme-teavstta MT-jorgalusa

Jorgalit guokte oanehis teavstta: čáppagirjjálašvuođa teavstta ja čoahkkingirjji:

• python check_mt-otpt.py -f pseudo_tmx_data/cahceravgga_sme2smn.tmx
• open otpt_dir/cahceravgga_sme2smn.html
• python check_mt-otpt.py -f pseudo_tmx_data/SP-18-2012_sme2smn.tmx

• open otpt_dir/SP-18-2012_sme2smn.html

• geahččat násttiid ja hash
• árvvoštallat gielalaš meattáhusaid
• árvvoštallat syntávssa
• buohtastahttit dan golbma giellapára jorgalusaid kvaliteahta (WER)
  • Evalueren: [http://xixona.dlsi.ua.es/~fran/eval/]

2 Buoridit jorgalanfeaillaid

Mo gávdnat jorgalanfeailla siva

Bargat ieš, oažžut bagadeami

Bargat násttiid ja hash

Missing (násti)

Ovdalgo sáhttá árvvoštallat cealkaga syntávssa dahje váilevaš genererema, de eai galgga leat missing-sánit cealkagis

• Lasit missing sániid bidixii, ja sánit fertejit leat leksikaliserejuvvon sihke sme- ja smX-FST:s
• bidix-bargu

Geahččat dan maid analysáhtor ii máhte genereret (hash):

echo 'cealkka' | apertium -d. sme-smn-dgen , omd.

#Pariisa<np><top><sg><loc>

• buohtastahte analysáhtoriin (usmX ja dsmXNorm)

usmn
Pariisa
Pariisa	Pariisa+N+Prop+Sem/Plc+Sg+Nom


dsmnNorm
Pariisa+N+Prop+Sem/Plc+Sg+Loc
Pariisa+N+Prop+Sem/Plc+Sg+Loc	Pariisa+N+Prop+Sem/Plc+Sg+Loc	+?

Ferte lasihit/divvut FST (omd. addit +Sg+Loc leksikonii masa Pariisa manná)

Nubbi ovdamearka:

• #lávluđ<vblex><der_nomag><n><pl><nom>
• buohtastahte analysáhtoriin (usmX ja dsmXNorm)

usmn
lávluđ
lávluđ	lávluđ+V+Inf


dsmnNorm
lávluđ+V+Der/NomAg+N+Sg+Nom
lávluđ+V+Der/NomAg+N+Sg+Nom	lávluđ+V+Der/NomAg+N+Sg+Nom	+?

Ferte lasihit/divvut FST (addit +Der/NomAg leksikonii masa lávluđ manná)

Leago sme-input riekta?

Geahččat input:

• echo 'cealkka' | apertium -d. sme-smn-biltrans - bidix ráddje biltrans-analysa. Jus omd. dihto sátni lea bidixis dušše adjektiivan, dalle dat ii sáhte oažžut Adv-analysa, vaikko dat livččii rivttes analysa cealkagis. - usme čájeha sáni vejolaš analysaid olggobealde bidix - jus sátni oažžu boasttu kásusa, omd. genitiivva dan sajis go akkusatiivva, de feaila lea sme syntávssalaš analysas - dieđit sme-feailla Lenii, Trondii dahje Duommái

Geahččat sme syntávssalaš analysa apertiumas:

echo 'cealkka' | apertium -d. sme-smn-disam

Geahččat sme syntávssalaš analysa olggobeal apertiuma:

Jus buot sánit eai leat mielde bidixis, de lea buoret geavahit dán gohččuma:

echo 'cealkka' | smedis

Manne transfer-njuolggadus ii doaimma?

Geahččat chunkema:

echo 'cealkka' | apertium -d. sme-smn-chunker

DISTTAGA

3 Giellatekno ja Apertiuma taggaformáhtat

• Makkár formáhtat
• Man dihte erohusat
• dáinna gohččumiin oainnát tággaid:

echo 'cealkka' | apertium -d. sme-smn-biltrans

Dahje don sáhtát iskat eaŋkilsániid:

• echo "lohkan" | hfst-lookup .deps/sme.automorf.hfst
• echo "luuhâm" | hfst-lookup .deps/smn.automorf.hfst

4 Testenbargu: python skriptat

Mis leat dákkár teaksta-máhpat:

1. texts : fiillat dábálaš txt-formáhtas. _sme.txt ja _smX.txt
2. tmx_data : sihke sme ja smX seammá fiillas, okta cealkka háválassii. tmx-formáhtain lea vejolaš genereret html-fiilla.
3. fi.samediggi : sihke sme ja smn seammá fiillas, okta cealkka háválassii. tmx-formáhtain lea vejolaš genereret html-fiilla.
4. pseudo_tmx_data : dušše sme, okta cealkka háválassii. tmx-formáhtain lea vejolaš genereret html-fiilla.
5. otpt_dir/ : output-directory mas leat fiillat mat leat genererejuvvon python-skriptain.

• python-skripta ovttagielat teavsttaide: check_mt-otpt.py
• python-skripta guovttegielat teavsttiade, ja mas lea WER: wercheck_mt-otpt.py

Jorgalit teavstta mii lea juo jorgaluvvon, ja buohtastahttit jorgalusaid:

Jorgalit dihto fiilla, ja rahpat bohtosa:

1. python wercheck_mt-otpt.py -f tmx_data/100writers_sme2smn.tmx
2. open otpt_dir/ - de rahpasa finder-láse. Vállje fiilla maid háliidat rahpat.

Jorgalit olles máhpa, ja rahpat bohtosa:

1. python wercheck_mt-otpt.py -d tmx_data/
2. open otpt_dir/ - de rahpasa finder-láse. Vállje fiilla maid háliidat rahpat.

Jorgalit teavstta mii ii leat jorgaluvvon ovdal:

Jorgalit dihto fiilla, ja rahpat bohtosa:

1. python check_mt-otpt.py -f mappe/file
2. open otpt_dir/ - de rahpasa finder-láse. Vállje fiilla maid háliidat rahpat.

Jorgalit olles máhpa, ja rahpat bohtosa:

1. python check_mt-otpt.py -d tmx_data/
2. open otpt_dir/ - de rahpasa finder-láse. Vállje fiilla maid háliidat rahpat.

5 Buoridit jorgalanfeaillaid

• Bargat ieš, oažžut bagadeami
• Lasit cealkkapáraid testensiidduide, ja karakterisere daid lingvisttalaččat
  • sme-smn
  • sme-sma
  • sme-smj

Lexical selection

Jus lea eanet go okta vejolaš jorgalus, de sáhttá ráhkadit njuolggadusaid -lrx-fiillas. omd. sämikielâlâš + human vs sämikiel

Lasit bidixii

• sámegielat = sämikielâlâš
• sámegielat = sämikiel

Geavat dán gohččuma vai oainnát taggaid

• echo 'Doppe lea ollu sámegielat olbmot.' | apertium -d. sme-smn-biltrans

^Doppe<adv><sem_plc><@ADVL→>/Tobbeen<adv><sem_plc><@ADVL→>$
^leat<vblex><iv><indic><pres><p3><pl><@+FMAINV>/leđe<vblex><indic><pres><p3><pl><@+FMAINV>$
^ollu<adv><@←ADVL>/ennuv<adv><@←ADVL>$
^sámegielat<adj><sem_hum><attr><@→N>/sämikiel<adj><sem_hum><attr><@→N>/sämikielâlâš<adj><sem_hum><attr><@→N>$
^olmmoš<n><sem_hum><pl><nom><←ext→><@←SUBJ>/olmooš<n><sem_hum><pl><nom><←ext→><@←SUBJ>$
^.<sent>/.<sent>$^.<sent>/.<sent>$

Lasit -lrx-fiilii:

  <rule weight="1.0">
    <match lemma="sámegielat">
      <select lemma="sämikiel"/>
    </match>
  </rule>


  <rule weight="0.5">
    <match lemma="sámegielat">
      <select lemma="sämikielâlâš"/>
    </match>
  </rule>


  <rule weight="0.6">
   <match lemma="sámegielat" tags="adj.sem_hum.attr.*">  (sámegielat<adj><sem_hum><attr><@→N>)
      <select lemma="sämikielâlâš"/>
   </match>
<or>
   <match tags="n.sem_hum.*"/>     (omd. olmmoš<n><sem_hum><pl><nom>)
   <match tags="n.*.sem_hum.*"/>   (omd. oahpaheaddji<n><nomag><sem_hum><pl><nom>)
 </or>
  </rule>

Nubbi ovdamearka dás: Lexical selection

GASKAVAHKU

6 Hash-listtuiguin bargat

Hash-listu ráhkaduvvo teavsttaid jorgaleami vuođul, ja buot dábáleamos čuolmmat bohtet listtu bajimussii. Nu ahte čuolmmat sorterejuvvojit frekveanssa mielde.

Jus don háliidat ráhkadit ođđa hash-listtu ieš, dahje don háliidat ohcat ovdamearkkaid, de fertet genereret ođđa jorgalusaid: genereret jorgalusaid

Loga eanet hash-listtuid birra dás: hash-listtut

dev/hash-fi-report.fi

  27 #sosiaal<adj><cmp_sgnom><cmp_splitr>  sosiála-  sosiaal-	sosiaal+A+Cmp/Attr+Cmp/SplitR
  21 #sosiaal<adj><cmp_sgnom><cmp>syergi
  14 #jieškote<prn><ind><sg><gen>
  14 #Sosiaal<adj><cmp_sgnom><cmp_splitr>
  12 #vääri<n><cmp_sgnom><cmp>#ovdâsteijee<n><nomag><sg><loc><south>
   9 #Sosiaal<adj><cmp_sgnom><cmp>syergi
   7 #riehtiministeriö<n><sg><gen>  riehtiministeriö	riehti+N+Cmp/SgNom+Cmp#ministeriö+N+Sg+Acc
   6 #Ume<np><top><sg><loc>  Ume+N+Prop+Sem/Org+Sg+Loc

Ulbmil: Ipmirdit ja divvut feaillaid.

Gohččumat:

cat dev/hash-report.freq |egrep -v '(cmp|<np-d"#" -f2|cut -d"<" -f1|hfst-lookup smj-sme.automorf.hfst |see
cat dev/hash-report.freq |egrep -v '(cmp|<np>|<top>|der_)'|see

DUORASTAGA

7 Bidix-sanity

Bidix-sanity listu ráhkaduvvo bidix-listtu vuođul. Čuolmmat sorterejuvvojit alfabehtalaččat.

sh bidix-sanity.sh > sanityoutput

Lea vejolaš heivehit sanityoutput nu ahte oaččut listtu mas eai leat namat, ja mas smX-sánit leat sorterejuvvon sáni loahpa mielde. Dalle lea álkit árvvoštallat sániid (seammá sánit bohtet maŋŋálaga) ja maiddái kopieret sániid FST:i.

Go leat dev-máhpas:

sh sortedsanityoutput_withoutprop.txt

Loga eanet bidix-sanity birra.

BEARJADAGA

8 Testen

Regression tests

./t/regression-tests

Pending tests

./t/pending-tests

Loga eanet

9 Derivašuvnnat

• Taggaid harmoniseren (seammá tagga buot gielain)

Harmoniserte tagger som forteller funksjon:

• Der/A, Der/Adv, Der/Dimin, Der/NomAct, Der/NomAg, Der/AAdv
• Der/PassL, Der/PassS, Der/Pass
• Der/InchL, Der/Caus (Der/ahtte smj)

Forslag om nye tagger som forteller funksjon:

• pass: Der/halla Der/PassD => Der/PassH Der/PassD Der/PassT

Andre harmoniserte tagger:

• Der/st, Der/l, Der/d , Der/lasj, Der/sasj, Der/vuota
• kaus: Der/h Der/ht Der/d Der/tt

Forslag om nye harmoniserte tagger:

• Der/alla - Der/alle (sma) => Der/alla
• Der/lágan Der/laakan Der/lagan => Der/laakan
• Der/lágaš => Der/laagasj
• Der/las +Der/lis (vearba => adj) => Der/las Der/lis
• Der/t smj: Der/k => Der/k
• Der/upmi – Der/NomActPass , eller er det nok at vi har Der/PassL i strengen før Der/NomAct:
  fuomášit+V+TV+Der/PassL+V+IV+Der/upmi+N+Sg+Nom: fuomášupmi
  => fuomášit+V+TV+Der/PassL+V+IV+Der/NomAct+N+Sg+Nom
fuomášit+V+TV+Der/NomAct+N+Sg+Nom : fuomášeapmi

Resten av sme-taggene - ikke diskutert, og mange av dem er ikke så viktige for MT

• Der/meahttun
• Der/heapmi +Der/ahtes
• Der/jagaš Der/jagáš => Der/jagasj
• Der/keahtta <=== marginal ikke-normativ derivasjon for substantiver, samme form som VAbess
• Der/adda
• Der/amoš
• Der/asti
• Der/at
• Der/dáfot
• Der/eamoš
• Der/easti
• Der/geahtes
• Der/has
• Der/heapmi
• Der/huhtti
• Der/huvva
• Der/muš
• Der/nuolus
• Der/náittot
• Der/seagat
• Der/stuvva
• Der/stávval
• Der/supmi
• Der/suttat
• Der/veara
• Der/viđi
• Der/viđá
• Der/ár

10 Missinglisttuiguin bargat

missinglisttut

11 Gávdnat meattáhusaid sme-inputas

• váilevašvuođat FST:s
• boasttudisambigueren

12 Syntávssalaš áššit

• čoaggit ovdamearkkaid
• gos čoavdit daid, ja mo

13 Transfer-njuolggadusat

Bargat syntávssalaš áššiiguin

Bargu ovdal geassemánu MT-vahku.

FST

Buohkaide

Derivašuvnnat MT perspektiivvas

smn

Adjektiivvat, Px,

MT

Buohkaide

• bidix-sanity
• missing-lists politihkalaš domenas
• hash

smj

bidix

smn

Teknihkalaš áššit

• Korpus: Paralleallateavsttat
• Scriptat: bleu/wer
• Ođđa jorgaluvvon korpus juohke idja
• Buoridit kompilerenrutiinnaid (FST)

Boahtteáiggi fáttát

• Metodologiija: Naba jos háliida jorgalit girjji
• prográmmat dasa