before removing sum_hat_a from p_ATTACH
[dmvccm.git] / DMVCCM.org.~8~
blob94c01dd8b3583777718eddd85038c53f058ecf42
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
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.
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.
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(), pass up an extra pair of boolean values for whether or not
39   we've attached anything to the left or right yet. So now, e() should
40   return a list of [prob, Lattach, Rattach]. Whether or not we've
41   attached anything is possible to see from the local rule and whether
42   there is attachment below.
43 - Althought, this idea needed some refinement...
44 *** TODO: implement my brilliant idea.
45 [[file:src/io.py::def%20e%20s%20t%20LHS][e(sti) in io.py]]
47 *** DONE [#A] test inner() on sentences with duplicate words
48 Works with eg. the sentence "h h h"
51 ** TODO [#A] P_STOP for IO/EM
52 [[file:src/dmv.py::DMV%20probabilities][dmv-P_STOP]]
53 Remember: The P_STOP formula is upside-down (left-to-right also).
54 (In the article..not the thesis)
55 *** How is the P_STOP formula different given other values for dir and adj?
56 (Presumably, the P_STOP formula where STOP is True is just the
57 rule-probability of _h_ -> STOP h_ or h_ -> h STOP, but how does
58 adjacency fit in here?)
60 (And P_STOP(-STOP|...) = 1 - P_STOP(STOP|...) )
61 ** TODO P_CHOOSE for IO/EM
62 Write the formulas! should be easy?
63 ** Initialization   
64 [[file:~/Documents/Skole/V08/Probability/dmvccm/src/dmv.py::Initialization%20todo][dmv-inits]]
66 We do have to go through the corpus, since the probabilities are based
67 on how far away in the sentence arguments are from their heads.
68 *** TODO Separate initialization to another file?                     :PRETTIER:
69 (It's rather messy.)
70 *** TOGROK CCM Initialization    
71 P_SPLIT used here... how, again?
72 *** DONE DMV Initialization probabilities
73 (from initialization frequency)
74 *** DONE DMV Initialization frequencies    
75     CLOSED: [2008-05-27 Tue 20:04]
76 **** P_STOP    
77 P_STOP is not well defined by K&M. One possible interpretation given
78 the sentence [det nn vb nn] is
79 - f_STOP( STOP|det, L, adj) +1
80 - f_STOP(-STOP|det, L, adj) +0  
81 - f_STOP( STOP|det, L, non_adj) +1
82 - f_STOP(-STOP|det, L, non_adj) +0
83 - f_STOP( STOP|det, R, adj) +0
84 - f_STOP(-STOP|det, R, adj) +1
86 - f_STOP( STOP|nn, L, adj) +0
87 - f_STOP(-STOP|nn, L, adj) +1
88 - f_STOP( STOP|nn, L, non_adj) +1  # since there's at least one to the left
89 - f_STOP(-STOP|nn, L, non_adj) +0
91 **** P_CHOOSE
92 Go through the corpus, counting distances between heads and
93 arguments. In [det nn vb nn], we give 
94 - f_CHOOSE(nn|det, R) +1/1 + C
95 - f_CHOOSE(vb|det, R) +1/2 + C
96 - f_CHOOSE(nn|det, R) +1/3 + C
97   - If this were the full corpus, P_CHOOSE(nn|det, R) would have
98     (1+1/3+2C) / sum_a f_CHOOSE(a|det, R)
100 The ROOT gets "each argument with equal probability", so in a sentence
101 of three words, 1/3 for each (in [nn vb nn], 'nn' gets 2/3). Basically
102 just a frequency count of the corpus...
103 ** [#C] Deferred
104 *** TOGROK Some (tagged) sentences are bound to come twice            :OPTIMIZE:
105 Eg, first sort and count, so that the corpus
106 [['nn','vbd','det','nn'],
107  ['vbd','nn','det','nn'],
108  ['nn','vbd','det','nn']]
109 becomes
110 [(['nn','vbd','det','nn'],2),
111  (['vbd','nn','det','nn'],1)]
112 and then in each loop through sentences, make sure we handle the
113 frequency correctly.
114           
115 Is there much to gain here?
117 *** TOGROK tags as numbers or tags as strings?                        :OPTIMIZE:
118 Need to clean up the representation.
120 Stick with tag-strings in initialization then switch to numbers for
121 IO-algorithm perhaps? Can probably afford more string-matching in
122 initialization..
123 *** TOGROK Is the E-step in DMV just inner() on the full sentence? 
124 and What exactly is the M-step of DMV? 
125 *** COMMENT 
126 E: «For the initial symbols, I think we're supposed to
127 implement someone-or-other's POS tagger and use the parts of speech as
128 our tags. (K&M say they used parts of speech, anyway, and we can't use
129 the ones from the annotated corpus or else we won't be unsupervised
130 anymore.) I think you're right about how the tree is formed. The only
131 thing I'm not sure about is whether those left and right marks are
132 supposed to be part of the tree. I guess not because in a well-formed
133 tree, every word needs a stop on both sides, so actually all nodes
134 would be left and right marked in the end, which is the same as not
135 using them at all. So I guess they're relevant in the E step of EM,
136 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]]
138 K: About initialization, when they say they start with an M-step and get
139 a harmonic distribution (where close dependencies have higher
140 probabilities than far-away ones), I guess we could do this either in
141 a function of its own, or as a special case of the IO-algorithm -- I'm
142 not sure how different the harmonizing step will be from the regular
143 M-step. But I'm pretty sure harmonizing means having to go through the
144 whole corpus, since that's the only way we can find out distances for
145 each dependency (without having actual distance-numbers in the rules
146 in the first place). If sentence s is ABCD, rules from A to B should
147 have higher probability than rules from A to D. Assuming we find some
148 average distance between A and B, and A and D, etc. throughout the
149 corpus, we then have to turn those numbers into probabilities that sum
150 to 1; do you have any idea how to do that?
152 E: I think what it means to start with an M step is that we set the
153 probabilities without regard for the initial corpus. They say that
154 they start with an initial guess at "posterior distributions". I bet
155 the word "posterior" is important, but I don't know what it means
156 here. Do you?
157 *** TODO Corpus access
158 *** TOGROK sentences or rules as the "outer loop"?                    :OPTIMIZE:
159 In regard to the E/M-step, finding P_STOP, P_CHOOSE.
160 ** TOGROK How do we know whether we are 'adjacent' or not? 
161 **** One configuration that I'm fairly certain of: right w/CHOOSE
162 if we have 
163 \Tree [_b [_b b _c_ ] _d_ ] 
164 then the lower tree [_b b _c_ ] is adjacent since, working your way up
165 the tree, no argument has been created to the right "yet"; while the
166 outer tree [_b [_b ... ] _d_ ] is non-adjacent, since there is something in
167 between... Is it thus always adjacent to the right if the distance
168 is 2? (That is, in e(s,t,i) for the adjacent rule: t - s == 2; while
169 in the non_adj rule: t - s == 4) 
170 ***** Implementing this:
171 Two different DMVRules? Or just two different prob-values per rule?
172 **** left w/CHOOSE
173 Same deal here?
174 **** R/L without CHOOSE, the "sealing operations"
175 _h_ -> STOP h_ and h_ -> h STOP
177 What is "adjacency" here? That t - s == 1?
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