Table of Contents
Práce na SYNv14
- Pracovní adresář:
/cnk/work/skoumal/INFRA/SYNv14 - Zdroj dat:
(chomsky:)/mnt/ada/data/SYNv13 - Verze nástrojů:
202512, 18. 12. 10:53
process_text
- Postup zpracování:
| Název | Velikost | Soubory | Stroj | CPU | Začátek | Konec | Trvání | final_corr | Poznámka |
|---|---|---|---|---|---|---|---|---|---|
| SYNv8_a-i_ | 6,1 GB | 27.564 | lovelace | 100 | 12-08 11:32:10 | 12-12 06:51:52 | 91,5 h. | 12-18 20:47 | |
| SYNv8_j-l | 1,8 GB | 14.821 | grimm | 40 | 12-11 14:11:20 | 12-13 09:17:05 | 43 h. | 12-18 18:21 | |
| SYNv8_m-o | 6,0 GB | 17.301 | jakobson | 80 | 12-10 15:19:25 | 12-13 04:30:42 | 63+1,5 h. | 12-19 17:13 | po restartu |
| SYNv8_p-z | 4,4 GB | 27.986 | lovelace2 | 60 | 12-10 17:25:27 | 12-13 15:44:53 | 70,5 h. | 12-19 16:52 | |
| NEWTON2015 | 1,1 GB | 6.331 | grimm | 45 | 12-05 01:14:03 | 12-06 03:45:22 | 26,5 h. | 12-19 14:33 | |
| NEWTON2016 | 1009 MB | 6.234 | sag | 10 | 12-05 01:21:55 | 12-07 17:48:50 | 40,5 h. | 12-19 13:43 | |
| NEWTON2017 | 872 MB | 6.198 | jakobson | 80 | 12-05 01:21:13 | 12-05 15:46:23 | 14,5 h. | 12-19 13:52 | |
| NEWTON2018 | 1,3 GB | 9.976 | lovelace2 | 50 | 12-05 01:26:48 | 12-06 03:04:35 | 25,5 h. | 12-19 14:11 | |
| NEWTON2019 | 804 MB | 6.308 | grimm | 45 | 12-08 15:57:26 | 12-09 11:54:16 | 20 h. | 12-19 15:20 | |
| NEWTON2020 | 832 MB | 7.136 | lovelace2 | 80 | 12-08 16:09:53 | 12-09 12:44:48 | 20,5 h. | 12-19 14:50 | |
| NEWTON2021 | 692 MB | 6.807 | sag | 10 | 12-08 16:03:03 | 12-10 17:05:22 | 49 h. | 12-19 17:48 | |
| NEWTON2022 | 731 MB | 6.564 | jakobson | 100 | 12-08 16:04:53 | 12-09 06:30:54 | 14,5 h. | 12-19 16:36 | |
| NEWTON2023 | 654 MB | 6.235 | lovelace | 100 | 12-12 15:39:27 | 12-13 07:21:02 | 16 h. | 12-19 16:42 | |
| NEWTON2024 | 609 MB | 5.941 | sag | 10 | 12-12 16:48:10 | 12-14 07:51:03 | 39 h. | 12-19 17:28 | |
| SYN2020 | 261 MB | 1.621 | sag | 10 | 12-11 14:59:40 | 12-12 10:19:57 | 19,5 h. | 12-19 17:34 | |
| SYN2025 | 488 MB | 3.747 | grimm | 45 | 12-02 12:26:11 | 12-03 01:21:12 | 7 h. | 12-19 17:39 | oprava na grimmovi |
| SYN2025-p | 6,9 MB | 305 | lovelace | 100 | 12-17 11:14:11 | 12-17 11:54:24 | 0,5 h. | 12-19 00:07 |
Kontrola a převod do .ann.xml
- Postup zpracování:
| Název | Stroj | CPU | Konec | tar.gz |
|---|---|---|---|---|
| SYNv8_a-i_ | lovelace2 | 100 | Jan 08 23:29 | chomsky |
| SYNv8_j-l | jakobson | 100 | Jan 09 01:52 | jakobson |
| SYNv8_m-o | lovelace2 | 45 | Jan 09 03:48 | lovelace2 |
| SYNv8_p-z | lovelace2 | 100 | Jan 09 00:47 | sag |
| SYN2020 | lovelace2 | 100 | Jan 09 01:37 | jakobson |
| SYN2025 | lovelace2 | 100 | Jan 09 01:41 | jakobson |
| SYN2025-p | lovelace2 | 100 | Jan 09 01:43 | sag |
| NEWTON2015 | lovelace2 | 100 | Jan 09 01:59 | sag |
| NEWTON2016 | lovelace2 | 100 | Jan 09 02:19 | jakobson |
| NEWTON2017 | lovelace2 | 100 | Jan 09 02:40 | sag |
| NEWTON2018 | lovelace2 | 100 | Jan 09 03:03 | jakobson |
| NEWTON2019 | grimm | 45 | Jan 09 04:39 | grimm |
| NEWTON2020 | lovelace2 | 100 | Jan 09 04:18 | sag |
| NEWTON2021 | lovelace2 | 100 | Jan 09 04:44 | lovelace |
| NEWTON2022 | lovelace2 | 100 | Jan 09 04:52 | sag |
| NEWTON2023 | jakobson | 100 | Jan 09 05:12 | jakobson |
| NEWTON2024 | lovelace2 | 100 | Jan 09 04:59 | lovelace |
Poslední opravy
- Jde vesměs o opravy adjektiv a dverbií se záporkami
- Pracuje se v adresář
/home/skoumal/cnk-work/INFRA/OPRAVA - Do něj se zkopírují všechny adresáře
in-utf8kroměSYN2025aSYN2025-p - Provede se morfologická analýza:
cd /home/skoumal/cnk-work/INFRA/OPRAVA/<korpus> screen process_text.sh -v -tvrbtg8 -p<num>
- Potom porovnáme novou morfologii s původní:
cd .../<korpus> diffys -w200 -r vert-vrbtg8/ ../../SYNv14/<korpus>/vert-vrbtg8/ | grep -v "^diff -y" | cut -f2 | cut -f1 -d' ' | sort -u > ../<korpus>-diff.txt
- Vybereme slova, která je třeba opravit:
- Seznam.txt
spoutaný nespoutaný AA dbalý nedbalý AA volný nevolný AA otesaný neotesaný AA pokrytý nepokrytý AA pozorovaný nepozorovaný AA uvěřitelně neuvěřitelně Dg vázaný nevázaný AA zvyklý nezvyklý AA zúčastněný nezúčastněný AA zřízený nezřízený AA
a vygrepneme fajly, kterých se oprava týká
find_negation_v14.sh
- Samotné opravy provedeme skriptem
repair_negation_v14.sh
Výsledky jsou v adresářích
mwe_out-prod-c2-corr/u každého korpusu. - Pro každý korpus přejmenujeme adresáře
mv mwe_out-prod-c2 mwe_out-prod-c2.sav mv mwe_out-prod-c2-corr mwe_out-prod-c2 mv vert-mwe-corr vert-mwe-corr.sav mkdir vert-mwe-corr
a provedeme kontrolu s generováním
.ann.xmlcd .../<korpus> check-mwe-corpus.sh -p100 -v
A ještě ta poslední, úplně nejposlednější oprava
- Opravuje se do_prdele_práce, ale musí se použít poslední opravy, které se dělaly už na vertikále s MWE
- Vytvoříme si opravené
vert-rules0-frazrl-rules-mdita-sublm-agr:cd <korpus> mv vert-rules0-frazrl-rules-mdita-sublm-agr vert-rules0-frazrl-rules-mdita-sublm-agr.sav mkdir vert-rules0-frazrl-rules-mdita-sublm-agr cd mwe_out-prod-c2.sav ls -S *.txt | parallel -j100 echo {}; "cut -f1-6 {} > ../vert-rules0-frazrl-rules-mdita-sublm-agr/{}" cd ../mwe_out-prod-c2 ls -S *.txt | parallel -j100 echo {}; "cut -f1-6 {} > ../vert-rules0-frazrl-rules-mdita-sublm-agr/{}"anebo spustíme skript
mwe_new_input.sh
- Teď můžeme znova udělat frazémovou anotaci:
screen mwe_annotate_v14.sh
- [ Oprava chybějících typů užití
cd mwe_out-prod-c2 mkdir ../mwe_out-prod-c2-opr ls -S | parallel -j45 "perl -pe 's/([\t\|])-(..____)/\1g\2/g' {} > ../mwe_out-prod-c2-opr/{}"] - naštěstí to Přemek opravil.
- A dorazíme to
screen check-mwe-corpus.sh -p100 -v
