41 lines
2.2 KiB
Markdown
41 lines
2.2 KiB
Markdown
## Diplomový projekt 2 2020
|
||
Stav:
|
||
- aktualizácia anotačnej schémy (jedná sa o testovaciu schému s vlastnými dátami)
|
||
- vykonaných niekoľko anotácii, trénovanie v Prodigy - nízka presnosť = malé množstvo anotovaných dát. Trénovanie v spacy zatiaľ nefunguje.
|
||
- Štatistiky o množstve prijatých a odmietnutých anotácii získame z Prodigy: prodigy stats wikiart. Zatiaľ 156 anotácii (151 accept, 5 reject). Na získanie prehľadu o množstve anotácii jednotlivých entít potrebujeme vytvoriť skript.
|
||
- Prehľad literatúry Named Entity Corpus
|
||
- Budovanie korpusu pre NER – automatické vytvorenie už anotovaného korpusu z Wiki pomocou DBpedia – jedná sa o anglický korpus, ale možno spomenúť v porovnaní postupov
|
||
- Building a Massive Corpus for Named Entity Recognition using Free Open Data Sources - Daniel Specht Menezes, Pedro Savarese, Ruy L. Milidiú
|
||
- Porovnanie postupov pre anotáciu korpusu (z hľadiska presnosti aj času) - Manual, SemiManual
|
||
- Comparison of Annotating Methods for Named Entity Corpora - Kanako Komiya, Masaya Suzuki
|
||
- Čo je korpus, vývojový cyklus, analýza korpusu (Už využitá literatúra – cyklus MATTER)
|
||
- Natural Language Annotation for Machine Learning – James Pustejovsky, Amber Stubbs
|
||
|
||
Aktualizácia 09.11.2020:
|
||
- Vyriešený problém, kedy nefungovalo trénovanie v spacy
|
||
- Vykonaná testovacia anotácia cca 500 viet. Výsledky trénovania pri 20 iteráciách: F-Score 47% (rovnaké výsledky pri trénovaní v Spacy aj Prodigy)
|
||
- Štatistika o počte jednotlivých entít: skript count.py
|
||
|
||
|
||
## Diplomový projekt 1 2020
|
||
|
||
- vytvorenie a spustenie docker kontajneru
|
||
|
||
|
||
```
|
||
./build-docker.sh
|
||
docker run -it -p 8080:8080 -v ${PWD}:/work prodigy bash
|
||
# (v mojom prípade:)
|
||
winpty docker run --name prodigy -it -p 8080:8080 -v C://Users/jakub/Desktop/annotation/work prodigy bash
|
||
```
|
||
|
||
|
||
|
||
|
||
### Spustenie anotačnej schémy
|
||
- `dataminer.csv` články stiahnuté z wiki
|
||
- `cd ner`
|
||
- `./01_text_to_sent.sh` spustenie skriptu *text_to_sent.py*, ktorý rozdelí články na jednotlivé vety
|
||
- `./02_ner_correct.sh` spustenie anotačného procesu pre NER s návrhmi od modelu
|
||
- `./03_ner_export.sh` exportovanie anotovaných dát vo formáte jsonl potrebnom pre spracovanie vo spacy
|