Präsentation herunterladen
Die Präsentation wird geladen. Bitte warten
Veröffentlicht von:Kora Schuler Geändert vor über 8 Jahren
1
Korpuslinguistik für und mit Computerlinguistik Seminar SS 2003 Sitzung 1: UNIX, Perl Gerold Schneider
2
Gerold Schneider: Korpuslinguistik für Computerlinguistik, I2 UNIX: Grundbefehle ls (list): Verzeichnisinhalt cd (change dir.) pwd (present working dir.) cp (copy) mv (move) rm (remove) rmdir (rm dir) mkdir (make dir) pico, nano, emacs (ed.s) chmod (change mod.) cat (catalog) head, tail more, less |, (pipe, in,out) man (manual pages)
3
Gerold Schneider: Korpuslinguistik für Computerlinguistik, I3 UNIX: Linguists´ toolbox grep, egrep ((extended) global regular expression) tr (transform) wc (word count) sort uniq cut (cut columns) paste (paste columns)
4
Gerold Schneider: Korpuslinguistik für Computerlinguistik, I4 Bsp. 1: Wortliste, Konkordanz Lexikon eines Textes: Text in 1-Wort-pro-Zeile Format konvertieren, dann sortieren, Duplikate entfernen cat my.txt | tr -s " " "\n" |sort | uniq Häufigkeit mitzählen cat my.txt | tr -s " " "\n" |sort | uniq -c Preprocessing cat my.txt | tr -s " " "\n" | tr -s "[A-Z]" "[a-z]" | tr -d '[.,;:?\!"\(\)+-&=]' | sort | uniq -c Konkordanz, Anzahl Types, Types per Token ? Zipf interaktiv: http://users.info.unicaen.fr/~giguet/java/zipf.htmlhttp://users.info.unicaen.fr/~giguet/java/zipf.html
5
Gerold Schneider: Korpuslinguistik für Computerlinguistik, I5 Bsp. 2: N-Gramme Preprocessing cat my.txt | tr -s " " "\n" | tr "[A-Z]" "[a-z]" | tr -d "[.,:;'?\!]" > my.tmp Selber Text ohne erstes Wort cat my.tmp | tail +2 > my.tmp2 Bigramme paste -d" " my.tmp my.tmp2 > bigramme Liste der häufigsten Bigramme ? Welche Wörter sind am häufigsten vor und nach der Präposition „mit“ ?
6
Gerold Schneider: Korpuslinguistik für Computerlinguistik, I6 Bsp. 3: Kontexte Kontexte aller Wörter in einer bestimmten Fenstergrösse F Vorgehen: F-Gramme erstellen, analog zu Bigrammen Herausschneiden der Kontextworte cut -d" " -f 1,2 mygrams > kontexts cut -d" " -f 1,3 mygrams >> kontexts cut -d" " -f 1,4 mygrams >> kontexts... cut -d" " -f 1,F mygrams >> kontexts Lokale, syntaktische und semantische Distanz
7
Gerold Schneider: Korpuslinguistik für Computerlinguistik, I7 Perl: Motivation UNIX ist streng zeilenweise orientiert. Zeilensprünge können z.B. nicht mittels tr entfernt werden. tr erlaubt nur buchstabenweises Ersetzen, und die Ausgabe darf nicht länger sein als die Eingabe. Dies verunmöglicht z.B. die Erstellung einer Buchstabenkonkordanz. UNIX ist nicht flexibel genug. Die gesammelten Daten stehen z.B. nicht als Variablen/Listen/Hashes zur Verfügung Mächtigere Werkzeug sind nötig: z.B. Perl
8
Gerold Schneider: Korpuslinguistik für Computerlinguistik, I8 Perl: Zeilenfilterskelett #!usr/bin/perl ## Pfad zum Perl-Interpreter while(<>) { ## zeilenweise Daten einlesen s/ersetzmich/durchdas/; print; ## Ausgabe des Ergebnisses } Aufruf aus der Kommandozeile cat myin.txt | perl myperlscript.pl > myout.txt
9
Gerold Schneider: Korpuslinguistik für Computerlinguistik, I9 Perl: Umordungsschema #!usr/bin/perl ## Pfad zum Perl-Interpreter $/="\n"; ## Datensatzbegrenzer while(<>) { ## Datensatzweise Daten einlesen ($f1,$f2,$flast) = split(/\,/,$_); ## Felder lesen $flast =~ s/\n//; ## chop Datensatzbegrenzer $swapwas = $f1.$flast.$f2; print "$swapwas\n"; ## Ausgabe des Ergebnisses } Beispiel: prolog(wort,NN,12). prolog(wort,12,NN).
10
Gerold Schneider: Korpuslinguistik für Computerlinguistik, I10 Perl: G eordnetes Einsammeln mit Hashes: Wortliste #!/usr/bin/perl $/ = "";#Datensatzbegrenzer: Paragraph $* = 1;#mehrzeilige Matches while (<>){ s/-\n//g; tr/A-Z/a-z/; #Trennzeichen weg,Kleinbuchstaben @words = split (/\W*\s+\W*/,$_); foreach $word (@words) { $wordcount{$word}++; } foreach $word (sort keys (%wordcount)) { printf "%20s,%d\n",$word,$wordcount{$word}; }
11
Gerold Schneider: Korpuslinguistik für Computerlinguistik, I11 Perl: G eordnetes Einsammeln mit Hashes: Bigramme while(<>) { s/^\s+//; @words = split(/\W*\s+\W*/,$_); for ($count=0;$count<=$#words-1;++$count) { $wordcount{$words[$count]. " ". $words[$count+1]}++; } foreach $wordpair (sort keys(%wordcount)) { printf "%20s,%d\n",$wordpair,$wordcount{$wordpair}; }
12
Gerold Schneider: Korpuslinguistik für Computerlinguistik, I12 Perl: G eordnetes Einsammeln mit Hashes: Endungshäufigkeiten (3B.) while(<>) { s/^\s+//; @words = split(/\s+/,$_); for ($count=0;$count<=$#words;++$count) { @chars = split(//,$words[$count]); # split w/o sep. if ($#chars > 1) { # at least 3 letters in this word $ending{$chars[$#chars-2]. " ". $chars[$#chars-1]. " ". $chars[$#chars]}++; } } } foreach $end (sort keys(%ending)) { printf "%20s,%d\n",$end,$ending{$end}; }
13
Gerold Schneider: Korpuslinguistik für Computerlinguistik, I13 Perl: Evaluation I Gegeben sei die Ausgabenliste einer jeweils binären, maschinell getroffenen Entscheidung E=[0|1], aligniert mit der entsprechenden richtigen menschlichen Entscheidung („gold standard“) G =[0|1], also eine Matrix {E,M}. als 0 klassif.als 1 klassifiziert E=0E=1 G=0 {0,0} I{1,0} II G=1 {0,1} III{1,1} IV Accuracy= 2*Precision= 2*Recall=
14
Gerold Schneider: Korpuslinguistik für Computerlinguistik, I14 Perl: Evaluation II while(<>) { if /0\,0/{$caseI ++}; if /1\,0/{$caseII ++}; if /0\,1/{$caseIII++}; if /1\,1/{$caseIV ++}; } $accuracy =... $precision=... $recall =... Accuracy= Precision= Recall=
15
Gerold Schneider: Korpuslinguistik für Computerlinguistik, I15 Perl: Aufgaben 4 + 12 (Microproject in Genf) I Schreibmaschine mit Stemming-Spellchecker fürs Französische Schritt 1: Einlesen eines grossen Textcorpus, ermitteln der häufisten Endungen (siehe Endungsprogramm) Schritt 2: Manuell morphologische Endungen ermitteln, Stemmingregeln schreiben, stemmen: $word =~s/s$//; $word =~s/ée$//; $word =~s/ées$//; $word =~s/es$//; $word =~s/er$//; $word =~s/ait$//; $word =~s/able$//; $word =~s/é$//; $word =~s/elles$//; $word =~s/elle$//; $word =~s/ant$//;
16
Gerold Schneider: Korpuslinguistik für Computerlinguistik, I16 Perl: Aufgaben 4 + 12 (Microproject in Genf) II Schritt 3: Gestemmten Korpus einlesen in Hash, Schreibmaschinenschleife durchaufen bis „STOP“ eingegeben wird. Dann den Brief ausgeben und die eingegebenen Worte stemmen, ausser sie sind im Ausnahmenlexikon (dans, sans,...) und mit dem gestemmten Korpus vergleichen. if ($table{$word}) { print "Le mot $word est accepté.\n"; } elsif (!$table{$word}) { print "Le mot $word n'est pas dans l'index, changez-le!\n";
Ähnliche Präsentationen
© 2024 SlidePlayer.org Inc.
All rights reserved.