[github]word_ordering

link

The task of word ordering, or linearization, is to recover the original order of a shuffled sentence.
Replicating our results can be broken down into two main steps:

  1. Preprocess Penn Treebank with the splits and tokenization used in our experiments. Instructions are available in data/preprocessing/README_DATASET_CREATION.txt.
  2. Train, run, and evaluate the NGram and LSTM models of interest. Instructions are available in Usage.txt

1. 预处理

treebank代表标注了语义和语法的语料库,PTB便是其中的一个。
预处理工作是将这个语料库进行划分和标记。instructions如下:

  1. 下载语料库treebank_3放在datasets/ directory中。
  1. Run cd data/preprocessing
  2. Run bash create_dependency_files.sh. 功能包括:
    复制WSJ constituency trees
    patch the WSJ part of the Penn Treebank using the NP bracketing script
    convert the NP-bracketed constituency trees to dependency trees.
  3. Run bash create_dataset.sh. 生成核心文件:
    ordered PTB files with and without base NP annotations
    exact shuffling of the word multisets we used to generate the point estimates in our paper
    versions formatted for use with ZGen and the Yara parer.

After following these steps, the folder zgen_data_gold will contain the gold, ordered sentences


_ref_npsyms.txt结尾的文件包括BNP注释。

The folder zgen_data_npsyms_freq3_unkUNK中的文件把不常用的token被替换成特殊符号,也包括shuffle后的文件。包含BNP注释的没有被shuffle(eg.<sonp> Black Monday <eonp>被看作一个整体)

需要的环境包括:
Python: Most recently tested with 2.7.9
NLTK (Python package): Most recently tested with 3.0.4
Java: Most recently tested with 1.8.0_31
安装NLTK包括

  1. sudo pip install -U nltk安装nltk
  2. 下载nlkt-data放在指定目录中的一个即可。
    中间有报错:
IOError: Zipfile nltk_data/corpora/ptb.zip' does not contain ptb/datasets/treebank_3_ original/wsj/02/wsj 0200.mrg

解决方案
进入/usr/share/nltk-data/,把ptb.zip解压,然后把wsj文件夹放入。(貌似并不需要把名称转换为大写)

2. Train, run, and evaluate the NGram and LSTM models

N-gram

准备环境
安装KenLM
Python module:pip install https://github.com/kpu/kenlm/archive/master.zip

命令:(虚拟机内存要分配够)

分为两种情况,N-Gram (Words+BNPs) 和 N-Gram (Words, without future costs)
  1. 建立5-gram model(参数为5)
bin/lmplz -o 5 -S 3145728K -T /tmp </mnt/shared/order/datasets/zgen_data_npsyms_freq3_unkUNK/npsyms/train_words_with_np_symbols_no_eos.txt > /home/yingtao/output/LM5_noeos_withnpsyms_freq3_unkUNK.arpa
  1. 建立unigram model(参数为1)
bin/lmplz -o 1 -S 3145728K -T /tmp --discount_fallback </mnt/shared/order/datasets/"zgen_data_npsyms_freq3_unkUNK/npsyms/train_words_with_np_symbols_no_eos.txt" >/home/yingtao/output/LM1_noeos_withnpsyms_freq3_unkUNK.arpa
  1. Run the N-gram decoder. 把之前准备的shuffled_no_eos.txt作为输入,参考刚才得到的两个gram模型。输出排序后的结果
python ngram_decoder.py /home/yingtao/output/LM5_noeos_withnpsyms_freq3_unkUNK.arpa /mnt/shared/order/datasets/zgen_data_npsyms_freq3_unkUNK/npsyms/valid_words_with_np_symbols_shuffled_no_eos.txt 64 --future /home/yingtao/output/LM1_noeos_withnpsyms_freq3_unkUNK.arpa > /home/yingtao/output/output_valid_with_npsyms_futurecosts_beam64_lm5.txt
  1. 把unk/UNK随机换成低频词。除去BNP标记。.
python randomly_replace_unkUNK.py \
--generated_reordering_with_unk /home/yingtao/output/output_valid_with_npsyms_futurecosts_beam64_lm5.txt \
--gold_unprocessed /mnt/shared/order/datasets//zgen_data_gold/valid_words_ref_npsyms.txt \
--gold_processed /mnt/shared/order/datasets/zgen_data_npsyms_freq3_unkUNK/npsyms/valid_words_with_np_symbols_no_eos.txt \
--out_file /home/yingtao/output/output_valid_with_npsyms_futurecosts_beam64_lm5_removed_unk.txt \
--remove_npsyms
右边是正确的结果
  1. 计算得分
./ScoreBLEU.sh -t /home/yingtao/output/output_valid_with_npsyms_futurecosts_beam64_lm5_removed_unk.txt -r /mnt/shared/order/datasets/zgen_data_gold/valid_words_ref.txt -odir /home/yingtao/output/test
sh脚本替换use UNIVERSAL 'isa';为use Scalar::Util 'reftype';

没有BNP注释的时候得分会下降:


最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 212,294评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,493评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,790评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,595评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,718评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,906评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,053评论 3 410
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,797评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,250评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,570评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,711评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,388评论 4 332
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,018评论 3 316
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,796评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,023评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,461评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,595评论 2 350

推荐阅读更多精彩内容

  • 女人是男人买回来的,女人原先的家在大城市,被拐骗来的时候只有十六岁,卖给了一位整整大她二十岁的男人做老婆。刚...
    秘蜜阅读 425评论 0 0
  • (九)烦恼的小丝 小丝看到小艾眼里的泪水,止不住地往下流,连忙递上纸巾。 小艾的讲述让小丝陪着她一起笑,也陪着她一...
    Kitekiss阅读 241评论 0 2
  • 青山菜市场|一世情怀 如果说这个世界上还有什么东西是没有风险的,那么王老板的杂货铺一定会成为青山菜市场年度销量榜的...
    九五乾谦阅读 848评论 13 21
  • 你能看见的世界,就是你的样子 “你看到的世界就是你的样子”。你所能看到的,正是你内心所拥有和追寻的。 如果你的专注...
    后自愈_99阅读 855评论 1 5