StartUpMeeting in Denmark

• Date: 3 Oct 2001 - 7 Oct 2001
• Attendees: WolfgangMenzel(protocol), IngoSchroeder, KilianAFoth, MichaelSchulz
• Comments:
• Photos: TheCrew

Table of Contents

Variable Verarbeitungstiefe

• aus dem Verfahren heraus oder
• extern gesteuert?

Unbekannte Wortformen

• Wie können unbekannte Wortformen verarbeitet werden?
  • unterspezifiziert -> macht mehr Arbeit
  • ignorieren -> macht weniger Arbeit

Informationssuche vs. Fragebeantwortung

• Informationssuche kann auch als Beantwortung einer sehr allgemeinen Fragestellung verstanden werden Wer fusioniert mit wem?
• Vergleich mit anderen Verfahren

Anwendungsbereiche

• relevanzgesteuertes Parsing z.B. Wirtschaftsnachrichten, merger etc.

Reading comprehension test

• Schwerpunkt: Informationsanreicherung durch zyklische Analyse

Named Entities

• partielle Strukturen, unbekannte Wörter sind eigene Kategorie im WB
• Entscheidung fällt durch Disambiguierung (Vergabe derLabel)
• Probleme:
  • Komplexität: unbekannte Wörter müssen mit allen anderen verknüpft werden
  • jedes unbekannte Wort kann Namenkategorie oder sonstiges sein
  • jedes bekannte Wort kann auch Eigenname sein

Auswahlkriterien

• Vergleichbarkeit waere gut
• Interessante Phänomene muessen drin sein
• Verfügbarkeit der Daten
• angereicherte Daten (Tags, PS-Bäume)
• sprachlich nicht zu einfach und nicht zu kompliziert
• Außenwirkung (Seriosität)

Beispiele

• Wirtschaftsnachrichten (WSJ, yahoo, vwd)
  • Personalia
  • Übernahmen
  • Geschäftsaufgabe
  • Anteile, Tochter verkaufen / Verkauf gescheitert
  • Verkauf geplant
  • Werksschließungen / Stellenstreichungen
  • Finanzierungsschwierigkeiten
• Heise-Ticker
  • Produktbeschreibungen
  • Rundfunknachrichten (D-Funk), Nachrichtenkanäle (Yahoo), Nachrichtenagenturen (Reuters)
  • Staatsbesuche
  • Katastrophen
• Gerichtsberichte
• Zeitschriften
  • Negra/Tiger: Tags,Trees
  • Verbmobil
  • Lesetest: Status?
• Sportmeldungen (yahoo)
  • Siege
  • Spieler-/Trainerwechsel
  • Verletzungen, Unfälle
  • Mannschaftsaufstellungen
  • Wettkampftermine
  • Bewertungen (Chancen, überraschende Ergebnisse)
  • Ranglistenplätze
  • Besucherzahlen
  • Rekorde
  • Auslosungen, Gruppenzusammenstellung

Weiterentwicklung der Verfahren

• GLS: warum ist es manchmal so langsam bei einfachen Problemen?
• Robustheit gegen Variationen bei der Parametersetzung Wortgraphen
• inkrementell arbeitendes GLS
• ist unterspezifizierte Anbindung (nonspec) mit partiellem Parsing verträglich?
• Ergänzung um eine semantischen Verarbeitungskomponente
• Slot-Filling incl. zeitlicher Bezüge?

Unterspezifikation

• Ellipsenbehandlung in kontrolliertem Rahmen z.B. Koordination aber wie passt das mit dem partiellen Parsing zusammen?

Inkrementalität

• links-rechts -> kognitiv + effektiv
• irgendwie -> nur Effektivierung
• GLS konzentriert sich natürlicherweise auf das Ende des Satzes, weil dort noch nicht viel Aufwand investiert werden konnte
  • sind die utility-Abschätzungen auch noch im inkr.Fall aussagekräftig? -> Experimente
  • lassen sich ähnliche Heuristiken auch in andere Lösungsverfahren integrieren?

Erweiterte Vorverarbeitung

• Chunk-Grenzen
  • hart vs. weich integrieren?
  • kann das in eine Implementation integriert werden?
  • Constraint-Überprüfung auch innerhalb der Chunks?
  • Was tun, wenn das scheitert?
  • Effekt der Chunk-Grenzen abschätzen
  • -> Chunkgrenzen und Köpfe manuell annotieren und ausprobieren

Höherstellige Constraints

• transitive Ketten
• Merkmals-Perkolation
• Mapping-Strukturen
• speziell geeignet für lokale Verfahren
• wird dadurch Aufwand eingespart? Ebenen fallen weg
• Problem: wie wird die Bewertung zugeteilt?

Existenzconstraints (beliebige Stelligkeit)

• durch speziellen Mechanismus implementieren
• sollten auch für den inkrementellen Fall effizient interpretierbar sein

Erweiterung auf aktive Wertezuweisungen?

• Constraints müssen reevaluiert werden
• welche Wertebindungen müssen bei Strukturänderungen zurückgenommen werden

Ergebniswiederverwendung (Chart, WFST)

• nach wie vor attraktive Idee

Mehrebenenrepräsentation auch für PSG?

• Syntax und Topologie, aber Semantik?
• Wie Abbildung der Bäume

PSG-Parsing als Vorinformation für die Constraint-Anwendung?

• weiche Integration: nicht durch das Parsingresultat lizensierte Kanten bestrafen
• harte Integration: Unterordnung vorgegeben, Constraint-Parser ermittelt lexikalische Lesart und Kantenlabel
• Information nur zeitweilig berücksichtigen: am Anfang/am Ende?

Aufgaben für Cristina

• Integration von PVM in CDG
• parallele Lösungsverfahren
  • keine Kommunikation
  • Austausch von Scores
  • Aufteilen von Transformationsschritten (Kommunikation von kompletten Bäumen)
• feinkörnige Parallelisierung
  • zentrale Agenda -> viel Kommunikation
  • verteilte Agenda
• bei inkrementeller Verarbeitung:
  • Trennen von Aufbau und Lösen des Constraintproblemes (lohnt sich das?)
• Partitionierung der Constraints (zu viel Kommunikation)
• Partitionierung der Variablen (genauer untersuchen/ausprobieren?)
• Parallele Semantikkonstruktion

Aufgaben für Studenten

• LRU-cache einbauen (Speicherplatz sparen)
• Annotationstools/Lexikontools
• Korpussammlung/Aufbereitung

Publikationspläne

• Relativsatzextraposition
  • welche Entscheidungskriterien bringen wie viel
  • wo hilft die Verwendungskriterien
• GLS
  • Erweiterungen des Basismechanismus
    • Begrenzung von Umwegen
    • Pruningstrategien
    • adaptive Terminierungskriterien
    • warum hat es nichts gebracht?
    • Phasen im Problemlösungsprozess
  • GLS in nebenläufigen Architekturen
  • in welche Problemklasse gehört CDG
  • kognitive Bezüge -> inkrementelle Verarbeitung
  • Vergleich mit bisherigen Verfahren -> schneller, aber schlechter
• Parsing von Spracherkennungsergebnissen
  • schlechtere Wortgraphen erzeugen, ggf. ohne gesuchte Kette
  • Genauigkeit nur auf semantischer Ebene
  • Testsätze nicht im LM
• Prosodie
  • nur auf gesuchter Kette analysieren
  • ist Phrasengrenzeninfo verfügbar?
  • -> Test mit 90 Testsätzen
  • sonst: ausgewählte Beispiele mit Akzent
• Pronomen/Artikel-Unterscheidung
  • noch Claims: Besser? (wie häufig sind ueberhaupt entsprechende Fehler?) Schneller?

Kooperation Prag - Purdue

Lernverfahren

Lernen der Constraints a la Brill

• beginnen mit einfachen Templates
• evaluieren über Korpus
• sukzessive kompliziertere Templates wenn keine guten Lösungen ausgeschlossen werden -> hartes Constraint
• sonst
  1. verfeinern des Templates
  2. weiche Constraints -> Scores lernen
• stochastische Verfahren?

Lernen von Transformationsschritten

• zusätzliche Information: welche Veränderung ist in einer bestimmten Konfiguration am aussichtsreichsten?
• Lernen von komplexen Transformationssequenzen
• Verwendung der Transformationsregeln auch im GLS?
• wie kann problemübergreifende Information auch beim GLS akkumuliert werden?
• Lernen über Parsinghistorien vs. Lernen mit Baumbankinformation