DMVCCM.org.~9~

   1 # -*- coding: mule-utf-8-unix -*-
   2 #+STARTUP: overview
   3 #+TAGS: OPTIMIZE PRETTIER
   4 #+STARTUP: hidestars
   5 #+TITLE: DMV/CCM
   6 #+AUTHOR: Kevin Brubeck Unhammer
   7 #+EMAIL: K.BrubeckUnhammer at student uva nl
   8 #+LANGUAGE: en
   9 #+SEQ_TODO: TOGROK TODO DONE
  10 #+OPTIONS: H:4 toc:3
  11
  12 * dmvccm
  13   DEADLINE: <2008-06-30 Mon>
  14 (But absolute, extended, really-quite-dead-now deadline: August 31...)
  15 [[file:src/dmv.py][dmv.py]]
  16 [[file:src/io.py][io.py]]
  17 ** TODO Adjacency and combining it with inner()
  18 Each DMV_Rule now has both a probN and a probA, for
  19 adjacencies. inner() needs the correct one in each case.
  20
  21 Adjacency gives a problem with duplicate words/tags, eg. in the
  22 sentence "a a b". If this has the dependency structure b->a_0->a_1,
  23 then b is non-adjacent to a_0 and should use probN (for the LRStop and
  24 the attachment of a_0), while the other rules should all use
  25 probA. But within the e(0,2,b) we can't just say "oh, a has index 0
  26 so it's not adjacent to 2", since there's also an a at index 1, and
  27 there's also a dependency structure b->a_1->a_0 for that. We want
  28 both. And in possibly much more complex versions.
  29
  30 Ideas:
  31 - I first thought of decorating the individual words/tags in a
  32   sentence with their indices, and perhaps just duplicating the
  33   relevant rules (one for each index of the duplicate tags). But this
  34   gives an explosion in attachment rules (although a contained
  35   explosion, within the rules used in a sentence; but most sentences
  36   will have at least two NN's so it will be a problem).
  37 - Then, I had a /brilliant/ idea. Just let e(), the helper function of
  38   inner(), parametrize for an extra pair of boolean values for whether
  39   or not we've attached anything to the left or right yet. So now, e()
  40   has a chart of the form [s, t, LHS, Lattach, Rattach], and of course
  41   e(s,t,LHS) is the sum of the four possible values for
  42   (Lattach,Rattach). This makes e() lots more complex and DMV-specific
  43   though, so it's been rewritten in inner_dmv() in dmv.py.
  44 *** TODO document this adjacency stuff better
  45 *** TODO test and debug my brilliant idea
  46 *** DONE implement my brilliant idea.
  47     CLOSED: [2008-06-01 Sun 17:19]
  48 [[file:src/dmv.py::def%20e%20s%20t%20LHS%20Lattach%20Rattach][e(sti) in dmv.py]]
  49
  50 *** DONE [#A] test inner() on sentences with duplicate words
  51 Works with eg. the sentence "h h h"
  52
  53
  54 ** TODO [#A] P_STOP for IO/EM
  55 [[file:src/dmv.py::DMV%20probabilities][dmv-P_STOP]]
  56 Remember: The P_STOP formula is upside-down (left-to-right also).
  57 (In the article..not the thesis)
  58 *** How is the P_STOP formula different given other values for dir and adj?
  59 (Presumably, the P_STOP formula where STOP is True is just the
  60 rule-probability of _h_ -> STOP h_ or h_ -> h STOP, but how does
  61 adjacency fit in here?)
  62
  63 (And P_STOP(-STOP|...) = 1 - P_STOP(STOP|...) )
  64 ** TODO P_CHOOSE for IO/EM
  65 Write the formulas! should be easy?
  66 ** Initialization
  67 [[file:~/Documents/Skole/V08/Probability/dmvccm/src/dmv.py::Initialization%20todo][dmv-inits]]
  68
  69 We do have to go through the corpus, since the probabilities are based
  70 on how far away in the sentence arguments are from their heads.
  71 *** TODO Separate initialization to another file?                     :PRETTIER:
  72 (It's rather messy.)
  73 *** TOGROK CCM Initialization
  74 P_SPLIT used here... how, again?
  75 *** DONE DMV Initialization probabilities
  76 (from initialization frequency)
  77 *** DONE DMV Initialization frequencies
  78     CLOSED: [2008-05-27 Tue 20:04]
  79 **** P_STOP
  80 P_STOP is not well defined by K&M. One possible interpretation given
  81 the sentence [det nn vb nn] is
  82 - f_STOP( STOP|det, L, adj) +1
  83 - f_STOP(-STOP|det, L, adj) +0
  84 - f_STOP( STOP|det, L, non_adj) +1
  85 - f_STOP(-STOP|det, L, non_adj) +0
  86 - f_STOP( STOP|det, R, adj) +0
  87 - f_STOP(-STOP|det, R, adj) +1
  88
  89 - f_STOP( STOP|nn, L, adj) +0
  90 - f_STOP(-STOP|nn, L, adj) +1
  91 - f_STOP( STOP|nn, L, non_adj) +1  # since there's at least one to the left
  92 - f_STOP(-STOP|nn, L, non_adj) +0
  93
  94 **** P_CHOOSE
  95 Go through the corpus, counting distances between heads and
  96 arguments. In [det nn vb nn], we give
  97 - f_CHOOSE(nn|det, R) +1/1 + C
  98 - f_CHOOSE(vb|det, R) +1/2 + C
  99 - f_CHOOSE(nn|det, R) +1/3 + C
 100   - If this were the full corpus, P_CHOOSE(nn|det, R) would have
 101     (1+1/3+2C) / sum_a f_CHOOSE(a|det, R)
 102
 103 The ROOT gets "each argument with equal probability", so in a sentence
 104 of three words, 1/3 for each (in [nn vb nn], 'nn' gets 2/3). Basically
 105 just a frequency count of the corpus...
 106 ** [#C] Deferred
 107 *** TOGROK Some (tagged) sentences are bound to come twice            :OPTIMIZE:
 108 Eg, first sort and count, so that the corpus
 109 [['nn','vbd','det','nn'],
 110  ['vbd','nn','det','nn'],
 111  ['nn','vbd','det','nn']]
 112 becomes
 113 [(['nn','vbd','det','nn'],2),
 114  (['vbd','nn','det','nn'],1)]
 115 and then in each loop through sentences, make sure we handle the
 116 frequency correctly.
 117
 118 Is there much to gain here?
 119
 120 *** TOGROK tags as numbers or tags as strings?                        :OPTIMIZE:
 121 Need to clean up the representation.
 122
 123 Stick with tag-strings in initialization then switch to numbers for
 124 IO-algorithm perhaps? Can probably afford more string-matching in
 125 initialization..
 126 *** TOGROK Is the E-step in DMV just inner() on the full sentence?
 127 and What exactly is the M-step of DMV?
 128 *** COMMENT
 129 E: «For the initial symbols, I think we're supposed to
 130 implement someone-or-other's POS tagger and use the parts of speech as
 131 our tags. (K&M say they used parts of speech, anyway, and we can't use
 132 the ones from the annotated corpus or else we won't be unsupervised
 133 anymore.) I think you're right about how the tree is formed. The only
 134 thing I'm not sure about is whether those left and right marks are
 135 supposed to be part of the tree. I guess not because in a well-formed
 136 tree, every word needs a stop on both sides, so actually all nodes
 137 would be left and right marked in the end, which is the same as not
 138 using them at all. So I guess they're relevant in the E step of EM,
 139 but not the M step.» [[https://mail.google.com/mail/%3Ffs%3D1&tf%3D1&source%3Datom&view%3Dcv&search%3Dall&th%3D119b3e3d7d8f1d1f&shva%3D1&ui%3D1&disablechatbrowsercheck%3D1][gmail]]
 140
 141 K: About initialization, when they say they start with an M-step and get
 142 a harmonic distribution (where close dependencies have higher
 143 probabilities than far-away ones), I guess we could do this either in
 144 a function of its own, or as a special case of the IO-algorithm -- I'm
 145 not sure how different the harmonizing step will be from the regular
 146 M-step. But I'm pretty sure harmonizing means having to go through the
 147 whole corpus, since that's the only way we can find out distances for
 148 each dependency (without having actual distance-numbers in the rules
 149 in the first place). If sentence s is ABCD, rules from A to B should
 150 have higher probability than rules from A to D. Assuming we find some
 151 average distance between A and B, and A and D, etc. throughout the
 152 corpus, we then have to turn those numbers into probabilities that sum
 153 to 1; do you have any idea how to do that?
 154
 155 E: I think what it means to start with an M step is that we set the
 156 probabilities without regard for the initial corpus. They say that
 157 they start with an initial guess at "posterior distributions". I bet
 158 the word "posterior" is important, but I don't know what it means
 159 here. Do you?
 160 *** TODO Corpus access
 161 *** TOGROK sentences or rules as the "outer loop"?                    :OPTIMIZE:
 162 In regard to the E/M-step, finding P_STOP, P_CHOOSE.
 163
 164
 165 * Python-stuff
 166 - [[file:src/pseudo.py][pseudo.py]]
 167 - http://nltk.org/doc/en/structured-programming.html recursive dynamic
 168 - http://nltk.org/doc/en/advanced-parsing.html
 169 - http://jaynes.colorado.edu/PythonIdioms.html
 170
 171