DMVCCM.org.~14~

   1 # -*- coding: mule-utf-8-unix -*-
   2 #+OPTIONS: ^:{} H:4 toc:3
   3 #+STARTUP: overview
   4 #+TAGS: OPTIMIZE PRETTIER
   5 #+STARTUP: hidestars
   6 #+TITLE: DMV/CCM -- todo-list / progress
   7 #+AUTHOR: Kevin Brubeck Unhammer
   8 #+EMAIL: K.BrubeckUnhammer at student uva nl
   9 #+LANGUAGE: en
  10 #+SEQ_TODO: TOGROK TODO DONE
  11
  12
  13 * dmvccm report and project
  14   DEADLINE: <2008-06-30 Mon>
  15 But absolute, extended, really-quite-dead-now deadline: August
  16 31...
  17 - [[file:src/dmv.py][dmv.py]]
  18 - [[file:src/io.py][io.py]]
  19 - [[file:src/harmonic.py::harmonic%20py%20initialization%20for%20dmv][harmonic.py]]
  20 * TODO Adjacency and combining it with inner()
  21 Each DMV_Rule now has both a probN and a probA, for
  22 adjacencies. inner() needs the correct one in each case.
  23
  24 Adjacency gives a problem with duplicate words/tags, eg. in the
  25 sentence "a a b". If this has the dependency structure b->a_{0}->a_{1},
  26 then b is non-adjacent to a_{0} and should use probN (for the LRStop and
  27 the attachment of a_{0}), while the other rules should all use
  28 probA. But within the e(0,2,b) we can't just say "oh, a has index 0
  29 so it's not adjacent to 2", since there's also an a at index 1, and
  30 there's also a dependency structure b->a_{1}->a_{0} for that. We want
  31 both. And in possibly much more complex versions.
  32
  33 Ideas:
  34 - I first thought of decorating the individual words/tags in a
  35   sentence with their indices, and perhaps just duplicating the
  36   relevant rules (one for each index of the duplicate tags). But this
  37   gives an explosion in attachment rules (although a contained
  38   explosion, within the rules used in a sentence; but most sentences
  39   will have at least two NN's so it will be a problem).
  40 - Then, I had a /brilliant/ idea. Just let e(), the helper function of
  41   inner(), parametrize for an extra pair of boolean values for whether
  42   or not we've attached anything to the left or right yet ("yet"
  43   meaning "below"). So now, e() has a chart of the form [s, t, LHS,
  44   Lattach, Rattach], and of course e(s,t,LHS) is the sum of the four
  45   possible values for (Lattach,Rattach). This makes e() lots more
  46   complex and DMV-specific though, so it's been rewritten in
  47   inner_dmv() in dmv.py.
  48 ** TODO document this adjacency stuff better
  49 ** TODO test and debug my brilliant idea
  50 ** DONE implement my brilliant idea.
  51     CLOSED: [2008-06-01 Sun 17:19]
  52 [[file:src/dmv.py::def%20e%20s%20t%20LHS%20Lattach%20Rattach][e(sti) in dmv.py]]
  53
  54 ** DONE [#A] test inner() on sentences with duplicate words
  55 Works with eg. the sentence "h h h"
  56
  57
  58 * TODO [#A] P_STOP for IO/EM
  59 [[file:src/dmv.py::DMV%20probabilities][dmv-P_STOP]]
  60 Remember: The P_{STOP} formula is upside-down (left-to-right also).
  61 (In the article..not the thesis)
  62
  63 Remember: Initialization makes some "short-cut" rules, these will also
  64 have to be updated along with the other P_{STOP} updates:
  65 - b[(NOBAR, n_{h}), 'h'] = 1.0       # always
  66 - b[(RBAR, n_{h}), 'h'] = h_.probA  # h_ is RBAR stop rule
  67 - b[(LRBAR, n_{h}), 'h'] = h_.probA * _ h_.probA
  68
  69 ** How is the P_STOP formula different given other values for dir and adj?
  70 (Presumably, the P_{STOP} formula where STOP is True is just the
  71 rule-probability of _ h_ -> STOP h_ or h_ -> h STOP, but how does
  72 adjacency fit in here?)
  73
  74 (And P_{STOP}(-STOP|...) = 1 - P_{STOP}(STOP|...) )
  75 * TODO P_CHOOSE for IO/EM
  76 Write the formulas! should be easy?
  77 * Initialization
  78 [[file:~/Documents/Skole/V08/Probability/dmvccm/src/dmv.py::Initialization%20todo][dmv-inits]]
  79
  80 We do have to go through the corpus, since the probabilities are based
  81 on how far away in the sentence arguments are from their heads.
  82 ** TODO Separate initialization to another file?                      :PRETTIER:
  83 (It's rather messy.)
  84 ** TOGROK CCM Initialization
  85 P_{SPLIT} used here... how, again?
  86 ** DONE DMV Initialization probabilities
  87 (from initialization frequency)
  88 ** DONE DMV Initialization frequencies
  89    CLOSED: [2008-05-27 Tue 20:04]
  90 *** P_STOP
  91 P_{STOP} is not well defined by K&M. One possible interpretation given
  92 the sentence [det nn vb nn] is
  93 : f_{STOP}( STOP|det, L, adj) +1
  94 : f_{STOP}(-STOP|det, L, adj) +0
  95 : f_{STOP}( STOP|det, L, non_adj) +1
  96 : f_{STOP}(-STOP|det, L, non_adj) +0
  97 : f_{STOP}( STOP|det, R, adj) +0
  98 : f_{STOP}(-STOP|det, R, adj) +1
  99 :
 100 : f_{STOP}( STOP|nn, L, adj) +0
 101 : f_{STOP}(-STOP|nn, L, adj) +1
 102 : f_{STOP}( STOP|nn, L, non_adj) +1  # since there's at least one to the left
 103 : f_{STOP}(-STOP|nn, L, non_adj) +0
 104 **** TODO tweak
 105 # <<pstoptweak>>
 106 :            f[head,  'STOP', 'LN'] += (i_h <= 1)     # first two words
 107 :            f[head, '-STOP', 'LN'] += (not i_h <= 1)
 108 :            f[head,  'STOP', 'LA'] += (i_h == 0)     # very first word
 109 :            f[head, '-STOP', 'LA'] += (not i_h == 0)
 110 :            f[head,  'STOP', 'RN'] += (i_h >= n - 2) # last two words
 111 :            f[head, '-STOP', 'RN'] += (not i_h >= n - 2)
 112 :            f[head,  'STOP', 'RA'] += (i_h == n - 1) # very last word
 113 :            f[head, '-STOP', 'RA'] += (not i_h == n - 1)
 114 vs
 115 :            # this one requires some additional rewriting since it
 116 :            # introduces divisions by zero
 117 :            f[head,  'STOP', 'LN'] += (i_h == 1)     # second word
 118 :            f[head, '-STOP', 'LN'] += (not i_h <= 1) # not first two
 119 :            f[head,  'STOP', 'LA'] += (i_h == 0)     # first word
 120 :            f[head, '-STOP', 'LA'] += (not i_h == 0) # not first
 121 :            f[head,  'STOP', 'RN'] += (i_h == n - 2)     # second-to-last
 122 :            f[head, '-STOP', 'RN'] += (not i_h >= n - 2) # not last two
 123 :            f[head,  'STOP', 'RA'] += (i_h == n - 1)     # last word
 124 :            f[head, '-STOP', 'RA'] += (not i_h == n - 1) # not last
 125 vs
 126 :            f[head,  'STOP', 'LN'] += (i_h == 1)     # second word
 127 :            f[head, '-STOP', 'LN'] += (not i_h == 1) # not second
 128 :            f[head,  'STOP', 'LA'] += (i_h == 0)     # first word
 129 :            f[head, '-STOP', 'LA'] += (not i_h == 0) # not first
 130 :            f[head,  'STOP', 'RN'] += (i_h == n - 2)     # second-to-last
 131 :            f[head, '-STOP', 'RN'] += (not i_h == n - 2) # not second-to-last
 132 :            f[head,  'STOP', 'RA'] += (i_h == n - 1)     # last word
 133 :            f[head, '-STOP', 'RA'] += (not i_h == n - 1) # not last
 134 vs
 135 "all words take the same number of arguments" interpreted as
 136 :for all heads:
 137 :    p_STOP(head, 'STOP', 'LN') = 0.3
 138 :    p_STOP(head, 'STOP', 'LA') = 0.5
 139 :    p_STOP(head, 'STOP', 'RN') = 0.4
 140 :    p_STOP(head, 'STOP', 'RA') = 0.7
 141 (which we easily may tweak in init_zeros())
 142 *** P_CHOOSE
 143 Go through the corpus, counting distances between heads and
 144 arguments. In [det nn vb nn], we give
 145 - f_{CHOOSE}(nn|det, R) +1/1 + C
 146 - f_{CHOOSE}(vb|det, R) +1/2 + C
 147 - f_{CHOOSE}(nn|det, R) +1/3 + C
 148   - If this were the full corpus, P_{CHOOSE}(nn|det, R) would have
 149     (1+1/3+2C) / sum_a f_{CHOOSE}(a|det, R)
 150
 151 The ROOT gets "each argument with equal probability", so in a sentence
 152 of three words, 1/3 for each (in [nn vb nn], 'nn' gets 2/3). Basically
 153 just a frequency count of the corpus...
 154 * [#C] Deferred
 155 ** TODO inner_dmv() should disregard rules with heads not in sent     :OPTIMIZE:
 156 If the sentence is "nn vbd det nn", we should not even look at rules
 157 where
 158 : rule.head() not in "nn vbd det nn".split()
 159 This is ruled out by getting rules from g.rules(LHS, sent).
 160
 161 Also, we optimize this further by saying we don't even recurse into
 162 attachment rules where
 163 : rule.head() not in sent[ s :r+1]
 164 : rule.head() not in sent[r+1:t+1]
 165 meaning, if we're looking at the span "vbd det", we only use
 166 attachment rules where both daughters are members of ['vbd','det']
 167 (although we don't (yet) care about removing rules that rewrite to the
 168 same tag if there are no duplicate tags in the span, etc., that would
 169 be a lot of trouble for little potential gain).
 170 ** TODO when reestimating P_STOP etc, remove rules with p < epsilon   :OPTIMIZE:
 171 ** TODO inner_dmv, short ranges and impossible attachment             :OPTIMIZE:
 172 If s-t <= 2, there can be only one attachment below, so don't recurse
 173 with both Lattach=True and Rattach=True.
 174
 175 If s-t <= 1, there can be no attachment below, so only recurse with
 176 Lattach=False, Rattach=False.
 177
 178 Put this in the loop under rewrite rules (could also do it in the STOP
 179 section, but that would only have an effect on very short sentences).
 180 ** TODO clean up the module files                                     :PRETTIER:
 181 Is there better way to divide dmv and harmonic? There's a two-way
 182 dependency between the modules. Guess there could be a third file that
 183 imports both the initialization and the actual EM stuff, while a file
 184 containing constants and classes could be imported by all others:
 185 : dmv.py imports dmv_EM.py imports dmv_classes.py
 186 : dmv.py imports dmv_inits.py imports dmv_classes.py
 187
 188 ** TOGROK Some (tagged) sentences are bound to come twice             :OPTIMIZE:
 189 Eg, first sort and count, so that the corpus
 190 [['nn','vbd','det','nn'],
 191  ['vbd','nn','det','nn'],
 192  ['nn','vbd','det','nn']]
 193 becomes
 194 [(['nn','vbd','det','nn'],2),
 195  (['vbd','nn','det','nn'],1)]
 196 and then in each loop through sentences, make sure we handle the
 197 frequency correctly.
 198
 199 Is there much to gain here?
 200
 201 ** TOGROK tags as numbers or tags as strings?                         :OPTIMIZE:
 202 Need to clean up the representation.
 203
 204 Stick with tag-strings in initialization then switch to numbers for
 205 IO-algorithm perhaps? Can probably afford more string-matching in
 206 initialization..
 207 * Expectation Maximation in IO/DMV-terms
 208 inner(s,t,LHS) calculates the expected number of trees headed by LHS
 209 from s to t (sentence positions). This uses the P_STOP and P_CHOOSE
 210 values, which have been conveniently distributed into CNF rules as
 211 probN and probA (non-adjacent and adjacent probabilites).
 212
 213 When re-estimating, we use the expected values from inner() to get new
 214 values for P_STOP and P_CHOOSE. When we've re-estimated for the entire
 215 corpus, we distribute P_STOP and P_CHOOSE into the CNF rules again, so
 216 that in the next round we use new probN and probA to find
 217 inner-probabilites.
 218
 219 The distribution of P_STOP and P_CHOOSE into CNF rules also happens in
 220 init_normalize() (here along with the creation of P_STOP and
 221 P_CHOOSE); P_STOP is used to create CNF rules where one branch of the
 222 rule is STOP, P_CHOOSE is used to create rules of the form
 223 : h  -> h  _a_
 224 : h_ -> h_ _a_
 225
 226 Since "adjacency" is not captured in regular CNF rules, we need two
 227 probabilites for each rule, and inner() has to know when to use which.
 228
 229 ** TODO Corpus access
 230 ** TOGROK sentences or rules as the "outer loop"?                     :OPTIMIZE:
 231 In regard to the E/M-step, finding P_{STOP}, P_{CHOOSE}.
 232
 233
 234 * Python-stuff
 235 - [[file:src/pseudo.py][pseudo.py]]
 236 - http://nltk.org/doc/en/structured-programming.html recursive dynamic
 237 - http://nltk.org/doc/en/advanced-parsing.html
 238 - http://jaynes.colorado.edu/PythonIdioms.html
 239
 240