DMVCCM.org.~10~

   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
  59 Remember: Initialization makes some "short-cut" rules, these will also
  60 have to be updated along with the other P_STOP updates:
  61 - b[(NOBAR, n_h), 'h'] = 1.0       # always
  62 - b[(RBAR, n_h), 'h'] = h_ .probA  # h_ is RBAR stop rule
  63 - b[(LRBAR, n_h), 'h'] = h_ .probA * _ h_ .probA
  64
  65 *** How is the P_STOP formula different given other values for dir and adj?
  66 (Presumably, the P_STOP formula where STOP is True is just the
  67 rule-probability of _h_ -> STOP h_ or h_ -> h STOP, but how does
  68 adjacency fit in here?)
  69
  70 (And P_STOP(-STOP|...) = 1 - P_STOP(STOP|...) )
  71 ** TODO P_CHOOSE for IO/EM
  72 Write the formulas! should be easy?
  73 ** Initialization
  74 [[file:~/Documents/Skole/V08/Probability/dmvccm/src/dmv.py::Initialization%20todo][dmv-inits]]
  75
  76 We do have to go through the corpus, since the probabilities are based
  77 on how far away in the sentence arguments are from their heads.
  78 *** TODO Separate initialization to another file?                     :PRETTIER:
  79 (It's rather messy.)
  80 *** TOGROK CCM Initialization
  81 P_SPLIT used here... how, again?
  82 *** DONE DMV Initialization probabilities
  83 (from initialization frequency)
  84 *** DONE DMV Initialization frequencies
  85     CLOSED: [2008-05-27 Tue 20:04]
  86 **** P_STOP
  87 P_STOP is not well defined by K&M. One possible interpretation given
  88 the sentence [det nn vb nn] is
  89 - f_STOP( STOP|det, L, adj) +1
  90 - f_STOP(-STOP|det, L, adj) +0
  91 - f_STOP( STOP|det, L, non_adj) +1
  92 - f_STOP(-STOP|det, L, non_adj) +0
  93 - f_STOP( STOP|det, R, adj) +0
  94 - f_STOP(-STOP|det, R, adj) +1
  95
  96 - f_STOP( STOP|nn, L, adj) +0
  97 - f_STOP(-STOP|nn, L, adj) +1
  98 - f_STOP( STOP|nn, L, non_adj) +1  # since there's at least one to the left
  99 - f_STOP(-STOP|nn, L, non_adj) +0
 100
 101 **** P_CHOOSE
 102 Go through the corpus, counting distances between heads and
 103 arguments. In [det nn vb nn], we give
 104 - f_CHOOSE(nn|det, R) +1/1 + C
 105 - f_CHOOSE(vb|det, R) +1/2 + C
 106 - f_CHOOSE(nn|det, R) +1/3 + C
 107   - If this were the full corpus, P_CHOOSE(nn|det, R) would have
 108     (1+1/3+2C) / sum_a f_CHOOSE(a|det, R)
 109
 110 The ROOT gets "each argument with equal probability", so in a sentence
 111 of three words, 1/3 for each (in [nn vb nn], 'nn' gets 2/3). Basically
 112 just a frequency count of the corpus...
 113 ** [#C] Deferred
 114 *** TODO when reestimating P_STOP etc, remove rules with p < epsilon  :OPTIMIZE:
 115 *** TODO inner_dmv, short ranges and impossible attachment            :OPTIMIZE:
 116 If s-t <= 2, there can be only one attachment below, so don't recurse
 117 with both Lattach=True and Rattach=True.
 118
 119 If s-t <= 1, there can be no attachment below, so only recurse with
 120 Lattach=False, Rattach=False.
 121
 122 Put this in the loop under rewrite rules (could also do it in the STOP
 123 section, but that would only have an effect on very short sentences).
 124 *** TOGROK Some (tagged) sentences are bound to come twice            :OPTIMIZE:
 125 Eg, first sort and count, so that the corpus
 126 [['nn','vbd','det','nn'],
 127  ['vbd','nn','det','nn'],
 128  ['nn','vbd','det','nn']]
 129 becomes
 130 [(['nn','vbd','det','nn'],2),
 131  (['vbd','nn','det','nn'],1)]
 132 and then in each loop through sentences, make sure we handle the
 133 frequency correctly.
 134
 135 Is there much to gain here?
 136
 137 *** TOGROK tags as numbers or tags as strings?                        :OPTIMIZE:
 138 Need to clean up the representation.
 139
 140 Stick with tag-strings in initialization then switch to numbers for
 141 IO-algorithm perhaps? Can probably afford more string-matching in
 142 initialization..
 143 *** TOGROK Is the E-step in DMV just inner() on the full sentence?
 144 and What exactly is the M-step of DMV?
 145 *** COMMENT
 146 E: «For the initial symbols, I think we're supposed to
 147 implement someone-or-other's POS tagger and use the parts of speech as
 148 our tags. (K&M say they used parts of speech, anyway, and we can't use
 149 the ones from the annotated corpus or else we won't be unsupervised
 150 anymore.) I think you're right about how the tree is formed. The only
 151 thing I'm not sure about is whether those left and right marks are
 152 supposed to be part of the tree. I guess not because in a well-formed
 153 tree, every word needs a stop on both sides, so actually all nodes
 154 would be left and right marked in the end, which is the same as not
 155 using them at all. So I guess they're relevant in the E step of EM,
 156 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]]
 157
 158 K: About initialization, when they say they start with an M-step and get
 159 a harmonic distribution (where close dependencies have higher
 160 probabilities than far-away ones), I guess we could do this either in
 161 a function of its own, or as a special case of the IO-algorithm -- I'm
 162 not sure how different the harmonizing step will be from the regular
 163 M-step. But I'm pretty sure harmonizing means having to go through the
 164 whole corpus, since that's the only way we can find out distances for
 165 each dependency (without having actual distance-numbers in the rules
 166 in the first place). If sentence s is ABCD, rules from A to B should
 167 have higher probability than rules from A to D. Assuming we find some
 168 average distance between A and B, and A and D, etc. throughout the
 169 corpus, we then have to turn those numbers into probabilities that sum
 170 to 1; do you have any idea how to do that?
 171
 172 E: I think what it means to start with an M step is that we set the
 173 probabilities without regard for the initial corpus. They say that
 174 they start with an initial guess at "posterior distributions". I bet
 175 the word "posterior" is important, but I don't know what it means
 176 here. Do you?
 177 *** TODO Corpus access
 178 *** TOGROK sentences or rules as the "outer loop"?                    :OPTIMIZE:
 179 In regard to the E/M-step, finding P_STOP, P_CHOOSE.
 180
 181
 182 * Python-stuff
 183 - [[file:src/pseudo.py][pseudo.py]]
 184 - http://nltk.org/doc/en/structured-programming.html recursive dynamic
 185 - http://nltk.org/doc/en/advanced-parsing.html
 186 - http://jaynes.colorado.edu/PythonIdioms.html
 187
 188