2017-09-06

Grammatikkontrollmøte 6.9.2017

Til stades: Duommá, Kevin, Linda, Sjur

Saker:

  • sidan sist
  • andre ting
  • arbeid framover

Sidan sist

Kevin og Sjur har hatt møte i Helsingfors. Referat frå Helsingforsmøtet her.

  • (X) gjera ferdig zip-lesinga (les no hfst-ar frå minnet òg https://github.com/hfst/hfst/commit/355aaf9c, og Travis-testane fungerer)
  • ( ) gjera ferdig gramcheck-lib – må prøve å lenka til det frå heilt eksterne program, og ventar på at vislcg3-endringar kjem upstream (så det er enklare for folk å bygga)
  • (X) kommandolineverkty for gramcheck-lib
    • ( ) bør m.a. kunna korrigera tekst i batsj-modus, slik at ein kan evaluera grammatikkontrollen automatisk i høve til eit gullstandardkorpus
    • ( ) bør kunna ta ei liste med attr-verdi-par som argument for å spesifisera brukarval
    • (-) bør ha ein modus der ein får ei liste med alle moglege brukarval, og tilgjengelege verdiar for kvar av dei – kan visa og velja pipeline, men ikkje brukarval innanfor pipeline
  • ( ) byta ut modes-fila med xml-fila som er ein del av zip-fila, og generer sh-skript frå den
  • ( ) laga ein gramcheck-generator for å generera forslag (Sjur)
  • (X) endra hfst-tokenise til ikkje å konvertera taggar til CG-format
    • (X) ... men gjer det i staden i fst-en med eit filter endra tagg-parsinga til ikkje å vera avhengig av + som ein del av taggen
  • ( ) skriva/dokumentera gramcheck-API
  • ( ) lenka mot unicode-bibliotek og slå opp alle ord som har store bokstavar som om dei hadde små
    • som ein enkel preprosessering av input (+ soft-hyphen)
    • ved runtime, så ingen eksplosjon i fst-en
    • om dette fungerer, fjern A→a på førstebokstav av fst-en (dvs berre leksikalsk form av kvart ord i fst-en)
  • ( ) laga gjettarar for alle opne ordklasser, inkl morfologi
    • sjekk om det går ut over fst-storleik
    • sjekk om det går ut over analysefart

Linda & Duommá

  • jobbar med testkorpuset
  • legger til tagger i leksikonet
  • samler falske positiver av kommaregler til Linda
  • testar hur reglerna funkar
  • tweakar lexikons och compound-tags i henhold till for exempel real word errors
  • legger till ord i listor før grammarcheckern
  • ser hur reglerna kan utvecklas, och om dom i det hela tatt er relevanta
  • jobba med kongruensregler og barrierer (subjekt-verbal i enkle setninger)
  • fiksa overgenereringer i mwe-dis og feil disambiguering i disambiguator
  • fiksa modes (tokenisers istedenfor preprocess)

Nummer- og talprosesseringa må bli betre, med feiltaggar for feilaktige taluttrykk. Døme:

"<163 - 250>"
        "163 - 250" Num Arab Sg Acc <== Err/NumRange
        "163 - 250" Num Arab Sg Gen
        "163 - 250" Num Arab Sg Ill Attr
        "163 - 250" Num Arab Sg Loc Attr
        "163 - 250" Num Arab Sg Nom

Det skal vera:

163–250 (n-dash)

Men - kva med tvetydige lesingar:

Ikte ledje dušše 163 - 250 olbmo leat boahtán odne.
Igår var det bare 163 - 250 mennesker har kommet idag. =
Igår var det bare 163 ; 250 mennesker har kommet idag.

Det finst (iallfall) tre ulike moglege rettingar, avhengig av kontekst:

  • 163-250 minus utan mellomrom, berre gi dette forslaget i mattekontekst
  • 163; 250
  • 163–250 - kort tankestrek utan mellomrom

Matematisk bruk:

163 - 250 er -87

(men der skal det vel ikkje vera mellomrom?)

Integrering med stavekontroll

input:

"<ukjendord>"
        "ukjendord" ?

output:
"<ukjendord>"
        "ukjendord" ?
        "forslag" A Stavekontroll

LIST ukjend = ?;


input:

"<kjent>"
        "kjent" A

output, viss me stavar kjende ord òg:
"<kjent>"
        "kjent" A
        "forslag" A Stavekontroll

Vi vil prøva ut å setja inn stavekontrollen etter hfst-tokenise. rett etter mwe-split, men før disambigueringa, ved å bruka hfst-ospell-cg. Stavekontrollen vil gje forslag med analyse, slik at vi kan disambiguera vekk irrelevante forslag, samtidig som vi har betre data for resten av dsiambigueringa (faktiske, moglege analyser istf spørsmålsteikn).

Vi vinn:

  • betre forslag (irrelevante er disambiguert vekk)
  • stavekontroll berre på ukjende ord (dersom det er det vi vel å gjera), dvs vi bruker ikkje stavekontrollen på feilskrivne ord som vi har ein analyse på (kanskje - vi skal vurdera om vi vil køyra stavekontrollen på alle ord, slik at vi kanskje fangar opp ekteordsfeil som ikkje er dekt av reglane våre)

Vi tapar:

  • fart - stavekontrollen kan vera sein når han skal generera forslag
  • kompleksitet - meir komplekse cg-reglar?

LT-integrering?

LanguageTool er open kjeldekode for å integrera ein grammatikkontroll med LibreOffice, OpenOffice, Google Chrome og Firefox. Vi kan bruka integreringskoden deira for å få tilgang til vertsprogramma på ein enkel måte. Seinare kan vi kanskje bli ein alternativ backend til LT.

Fungerer ikkje interaktivt.

Testing og evaluering

Vi treng eit kommandolineverkty som kan nyttast til å testa og evalueringa grammatikkontrollen. Her er to døme på korleis evalueringsresultata blir vist i stavekontrolltestinga:

Andre ting

  • referere til grammatikkontroll i phden min "Giellaoahpa Divvun" (GoDivvun)

arbeid framover

Kevin

  • stavekontroll i CG-pipelinen
  • testing av gramcheck-lib, finpuss, API-dokumentasjon
  • evalueringssystem mot gullkorpus
  • brukarval: hent liste over moglege feiltypar, skjul gitte typar

Linda

  • teste subjekt-verbal kongruensfeil og fikse reglan
  • teste kommaregler

Neste møte

Onsdag 27.9. kl 10.30