semrel-extraction issueshttps://gitlab.clarin-pl.eu/team-semantics/semrel-extraction/-/issues2021-03-19T10:21:30Zhttps://gitlab.clarin-pl.eu/team-semantics/semrel-extraction/-/issues/25a2021-03-19T10:21:30ZGhost Useraaahttps://gitlab.clarin-pl.eu/team-semantics/semrel-extraction/-/issues/17Fix DVC pull issue2020-01-14T13:36:35ZŁukasz KopocińskiFix DVC pull issueWhen DVC pull is executed en error appears related to corpora.dvcWhen DVC pull is executed en error appears related to corpora.dvcSprint 0https://gitlab.clarin-pl.eu/team-semantics/semrel-extraction/-/issues/13Eksploracja cech modelu2020-01-03T11:59:40ZArkadiusz JanzEksploracja cech modeluZadanie polega na przeanalizowaniu zdolności generalizacji klasyfikatora na
podstawie analizy jego cech. W tym celu spróbujmy:
1. Wyuczyć model i zmierzyć jego skuteczność (F1-Score na danych testowych),
2. Z wyuczonego modelu wyodrębni...Zadanie polega na przeanalizowaniu zdolności generalizacji klasyfikatora na
podstawie analizy jego cech. W tym celu spróbujmy:
1. Wyuczyć model i zmierzyć jego skuteczność (F1-Score na danych testowych),
2. Z wyuczonego modelu wyodrębnić warstwy ukryte dla grupy przypadków testowych
- przepuścić je przez sieć i wydobyć aktywacje neuronów,
- za pomocą tsne skonwertować do przestrzeni 2d,
3. Wygenerować wizualizację dla zredukowanej przestrzeni (tsne) oraz zaznaczyć odrębnymi kolorami
przykłady pozytywne i negatywne.
Pytanie: jakie przykłady wybrać?Łukasz KopocińskiŁukasz Kopocińskihttps://gitlab.clarin-pl.eu/team-semantics/semrel-extraction/-/issues/15Fix sampling script2020-01-03T11:57:38ZŁukasz KopocińskiFix sampling scriptChange way of counting sets size in sample.shChange way of counting sets size in sample.shŁukasz KopocińskiŁukasz Kopocińskihttps://gitlab.clarin-pl.eu/team-semantics/semrel-extraction/-/issues/14Create Docker for repository2020-01-03T11:54:14ZŁukasz KopocińskiCreate Docker for repositoryCreate Dockerfile with all dependencies and setup for easy and reproducible runs.Create Dockerfile with all dependencies and setup for easy and reproducible runs.Łukasz KopocińskiŁukasz Kopocińskihttps://gitlab.clarin-pl.eu/team-semantics/semrel-extraction/-/issues/11Weryfikacja zdolności generalizacji klasyfikatora2020-01-03T11:54:02ZArkadiusz JanzWeryfikacja zdolności generalizacji klasyfikatoraPrzygotować zbiór, który zawiera przykłady spoza zbioru treningowego, trudne do sklasyfikowania.
* Marki, które nie występowały przy uczeniu.Przygotować zbiór, który zawiera przykłady spoza zbioru treningowego, trudne do sklasyfikowania.
* Marki, które nie występowały przy uczeniu.Łukasz KopocińskiŁukasz Kopocińskihttps://gitlab.clarin-pl.eu/team-semantics/semrel-extraction/-/issues/16Improve mlflow server Docker2020-01-03T11:53:50ZŁukasz KopocińskiImprove mlflow server DockerImprove mlflow server docker file to pass credentials by file in .aws/credentials/Improve mlflow server docker file to pass credentials by file in .aws/credentials/Łukasz KopocińskiŁukasz Kopocińskihttps://gitlab.clarin-pl.eu/team-semantics/semrel-extraction/-/issues/8Wykorzystanie danych z korpusów2020-01-03T11:53:22ZArkadiusz JanzWykorzystanie danych z korpusówAnia przygotowała dane: dla par produkt - firma z DBpedii wyszukała konteksty, w których te pary występują.
Prawdopodobnie przygotowała też wektory ELMo - trzeba sprawdzić.
Cel: użyć jako przykłady pozytywne -> przetrenować -> ewaluacjaAnia przygotowała dane: dla par produkt - firma z DBpedii wyszukała konteksty, w których te pary występują.
Prawdopodobnie przygotowała też wektory ELMo - trzeba sprawdzić.
Cel: użyć jako przykłady pozytywne -> przetrenować -> ewaluacjaŁukasz KopocińskiŁukasz Kopocińskihttps://gitlab.clarin-pl.eu/team-semantics/semrel-extraction/-/issues/12Różnica wektorów jako wejście2019-09-05T09:59:52ZArkadiusz JanzRóżnica wektorów jako wejścieSprawdzić, czy różnica wektorów daje przyrost skuteczności rozpoznawania relacji.Sprawdzić, czy różnica wektorów daje przyrost skuteczności rozpoznawania relacji.Łukasz KopocińskiŁukasz Kopocińskihttps://gitlab.clarin-pl.eu/team-semantics/semrel-extraction/-/issues/9Statyczne zbiory treningowo-testowe2019-09-04T08:29:03ZArkadiusz JanzStatyczne zbiory treningowo-testowePrzygotować statyczne wersje zbiorów treningowo-testowych.
* Zbiór testowy trzeba zrównoważyć.
* Przy generowaniu przykładów negatywnych zwrócić uwagę na odstęp pomiędzy wyrazami.Przygotować statyczne wersje zbiorów treningowo-testowych.
* Zbiór testowy trzeba zrównoważyć.
* Przy generowaniu przykładów negatywnych zwrócić uwagę na odstęp pomiędzy wyrazami.Łukasz KopocińskiŁukasz Kopocińskihttps://gitlab.clarin-pl.eu/team-semantics/semrel-extraction/-/issues/2Generating new data2019-09-03T06:43:15ZArkadiusz JanzGenerating new data#### Pozyskanie nowych przypadków pozytywnych
- metoda korpusowa (na podstawie pozytywnych par produkt - firma np. z DBP odszukać konteksty w korpusie)
- metoda generatywna (dla pozytywnych par podmieniać argumenty, np. Apple - ...#### Pozyskanie nowych przypadków pozytywnych
- metoda korpusowa (na podstawie pozytywnych par produkt - firma np. z DBP odszukać konteksty w korpusie)
- metoda generatywna (dla pozytywnych par podmieniać argumenty, np. Apple - iPhone -> Samsung - Galaxy S8)
- dogenerowanie przypadków negatywnych (podmieniać jeden element z pary na losowy rzeczownik)Łukasz KopocińskiŁukasz Kopocińskihttps://gitlab.clarin-pl.eu/team-semantics/semrel-extraction/-/issues/7Extend model learning2019-08-26T10:03:06ZŁukasz KopocińskiExtend model learninghttps://gitlab.clarin-pl.eu/team-semantics/semrel-extraction/-/issues/6Apply other neural net architecture2019-08-26T10:02:55ZŁukasz KopocińskiApply other neural net architectureUse architecture from sentiment analysis project.Use architecture from sentiment analysis project.https://gitlab.clarin-pl.eu/team-semantics/semrel-extraction/-/issues/5Prepare new negative data2019-08-26T10:01:45ZŁukasz KopocińskiPrepare new negative dataPrepare new data set of sentences with pairs BRAND -> PRODUCT with products not related to given BRAND.
example:
Word1 BRAND_1 word2 PRODUCT_BRAND_50.Prepare new data set of sentences with pairs BRAND -> PRODUCT with products not related to given BRAND.
example:
Word1 BRAND_1 word2 PRODUCT_BRAND_50.https://gitlab.clarin-pl.eu/team-semantics/semrel-extraction/-/issues/4Arg Parser for Data Generation Script2019-07-22T10:28:51ZArkadiusz JanzArg Parser for Data Generation ScriptŁukasz KopocińskiŁukasz Kopocińskihttps://gitlab.clarin-pl.eu/team-semantics/semrel-extraction/-/issues/1Expand the Neural Architecture2019-07-17T11:13:09ZArkadiusz JanzExpand the Neural ArchitectureRozszerzyć istniejącą architekturę sieci neuronowej do wykrywania relacji. Na ten
moment jest to prosta sieć jednowarstwowa - można dorzucić kolejne warstwy ukryte
lub nawet zmienić architekturę na sieć konwolucyjną.Rozszerzyć istniejącą architekturę sieci neuronowej do wykrywania relacji. Na ten
moment jest to prosta sieć jednowarstwowa - można dorzucić kolejne warstwy ukryte
lub nawet zmienić architekturę na sieć konwolucyjną.Łukasz KopocińskiŁukasz Kopocińskihttps://gitlab.clarin-pl.eu/team-semantics/semrel-extraction/-/issues/3New performance measure2019-07-17T11:12:56ZArkadiusz JanzNew performance measureDołożyć nową miarę oceny skuteczności (teraz wyłącznie dokładność, docelowo chcemy znać precyzję i kompletność).Dołożyć nową miarę oceny skuteczności (teraz wyłącznie dokładność, docelowo chcemy znać precyzję i kompletność).Łukasz KopocińskiŁukasz Kopociński