Pomenované entity

Stretnutia

11.8.2020

Rozdelíme wikicorpus na 100 častí.

Nebudeme riešiť doménový bias vo wikipédii.

Budeme riešiť bias na dĺžku článkov.

Tagová značka asi: LOC, MISC, ORG, PER.

Peter sa pozrie na wikiextraktor.

Daniel:

• vyrieši šablóny
• vypočíta štatistiky o dĺžke paragrafov
• navrhne pravidlo na ohodnotenie kvality článku, Kvalita článku závisí na dĺžke dobrých paragrafov a dĺžke celého článku.

Úlohy

Príprava dát

Repozitár annotation/wikicorpus

Vstup: Wiki XML dump

Výstup: Množina dokumentov pre anotáciu

urobené:

• Parsovanie XML Wiki DUMP
• Skript pre extrakciu paragrafov.

urobiť:

• Filter pre vyradenie článkov a paragrafov.
• Ručný výber článkov.

Príprava anotačnej schémy

Vstup: dataset na anotovanie

Výstup: nasadená a pripravená aplikácia na anotovanie

Repozitár annotation/ner

urobené:

• Anotačný recept (Jakub Maruniak)
• Deploymment Prodigy (Daniel Hládek)
• Konverzia dát do Prodigy (Jakub Maruniak)

urobiť:

• Anotačný manuál
• Sada značiek na anotáciu
• Podporný model? Ak pomáha tak pripraviť aj schému alebo dataset s podporným modelom.
• Pripraviť podrobné anotovanie "development" množiny

Prípravná anotačná dávka

Repozitár annotation/database_app

Vstup:

• pripravená aplikácia pre anotovanie

Výstup:

• prvé anotované dáta
• aplikácia pre analýzu anotovaných dát
• skript pre spájanie a filtrovanie anotovaných dát

urobené:

• nasadenie aplikácie pre analýzu anotovaných dát http://askner.tukekemt.xyz (Daniel Hládek)

prebieha:

• aplikácia pre analýzu anotovaných dát - kto anotoval čo, ako a koľko (Tomáš Kuchárik)

urobiť:

• Anotácia dát
• Príprava skriptu na čistenie anotovaných dát

Produkčná anotačná dávka

Vstup: Pripravená aplikácia a dáta na anotovanie

Výstup:

• Anotované dáta
• korpus

treba urobiť:

• Motivácia študentov
• Anotácia dát
• Analýza anotovaných dát
• tvorba korpusu anotovaných dát
• Validácia anotovaných dát (anotačná schéma pre validáciu?)