• No results found

Research on historical data at Språkbanken

N/A
N/A
Protected

Academic year: 2022

Share "Research on historical data at Språkbanken"

Copied!
30
0
0

Loading.... (view fulltext now)

Full text

(1)

Research on historical data at Språkbanken

Dana Dannélls

Språkbanken

Department of Swedish Language University of Gothenburg

Språkbanken Kick-off meeting 2015-01-27

(2)

Digital historical texts

I Digitization of historical texts aims at preserving cultural heritage and making it more accessible.

I Ongoing digitization initiatives seek to create digital text resources which can be searched and processed by machines.

I Together with the availability of historical text resources in digital form, there is a growing interest in applying NLP methods and tools to historical texts.

(3)

Digitized historical Swedish texts

I Old Swedish (fornsvenska)

I starts with latin script manuscripts of law text (around 1225)

I ends with (pre-)publication of the Gustav Vasa bible (1526)

I Modern Swedish (nysvenska)

I Early Modern Swedish (äldre nysvenska)

I starts from the Gustav Vasa bible 1526

I ends with Olof v. Dalin’s Then Swänska Argus 1732

I Late Modern Swedish (yngre nysvenska)

I starts from 1732

I ends with August Strindberg’s Röda rummet 1879

Material includes codices legal manuscripts, religious prose, poetry, non-fiction, letters, etc.

(4)

Characterization of historical texts

I lack of standardized orthography

I old words and word forms

I spelling variation

I grammar change: inflectional complexity, word order, subordination

I OCR errors

Problems for LT: limited resources, lack of annotated material, lack of grammar and morphological descriptions, no native speakers.

(5)

Old Swedish

Han beddisalmosoaf petro ok johanne Tha han saa themtil byriäat inga jmönstrit Petrussagde tilhans Jak hafuir ey gul ällär silfuervtan thz somiakhafuir gifuirjak thik jihesu christi nazareni nampn stat vp okgak Ok ginstan grep sanctus petrus hans höghre hand ok vplypte han ok ämbratfestos hans sinor ok fötir ok han sprang vp stodh ok gik in j mönstrit medhär thöm gangande ok springande oklowande gudh okalt folkit saa han gangande oklofuandegudh ok kiändohanathanvar then sami som saat formönstersinsport thiggiande almoso ok vndradho mykit a thz somhonomvarhänt ok then tidhthe hioldopetrumociohannem lop alt folkit til therävndrande

(6)

Early Modern Swedish

Ingen lärer kunna neka, at ju sådane Skriffter hafwa stor nytta med sig, som, på ett angenämt och lustigt sätt, föreställa Lärdomar och Wettenskaper; Derföre hafwa och de gamla, under roliga Dikter, liufliga Samtahl eller nöysamma Historier, underwisat Folket om Dygden, och likasom skiämtewijs förehållit dem alfwarsamma Sede-Läror. I nyare tider, och än i dag, se wi äfwen, hos kloka Nationer, sådane Skriffter med mycken nytta utgifwas och älskas. Men fast än hwarken de gamla sådane Läro-sätt skulle älskat eller nyare frägdade Folckeslag dem älska, så wete wi dock at Hof-smaken . . .

(7)

Digital image (Then Swänska Argus)

(8)

Exploring sentence boundaries

Thaa kesarinnan fik höra ath then wnga herrän war kommen thaa tilreddhe hon sigh mz iomfrum och klädom som hon aldra bäst kunne och kom gaangande til konungen och tilhans son ther the saatho baaden til sammankkonungen bad hänne sätia sig när sonnenk kesarinnan sade til konungen herra är tättha edher son som saa länghe hafuer borto waridh när the wisa mästarakkonungen sade ya män jak kan ekke wettha hurw thz gaar til thy han wil inthe tala,kthaa sadhe hon herra antuarden honnom mik jak skal wil wäl göra honnom talande och togh honom widh haandena och wille hafuan mz sigh,kthaa warde han sig och wille ekke mz,kfadren bad honom gaa mz hännek thaa negh han sinom fader ödhmyuklighan och war honom lydogerk kesarinnan ledde honom in j en kammara och badh alla wtgaa och satte honnom oppaa en sänga stok när sigh och sadhe, hiärtans käre

diocleciane, (Sju vise mästare C, 1492)

(9)

Machine learning with HaCOSSA

Sentence annotation:

I Hamburg Corpus of Old Swedish with Syntactic Annotations (Höder 2011): annotation for clauses

I Construct sentence-like annotation: 8k sentences in 137k words

I Average sentence length: 16.5 tokens Sentence as a sequence of tags:

I S|L0(L1M∗)?R

(10)

Sentence boundaries evaluation

All feat 10-fold: prec 82.9, rec 66.4 All feat leave1out: prec 76.0, rec 58.2

Lexical information helps, but its generalization is difficult

Simple spelling normalization helps especially precision for leave1out (>+5%)

(11)

Spelling variation

o → u: 0.2 arvuþi ærvoþi;

æ → e: 0.27 ær er;

au → ö: 0.31 barnlös barnalös barnalaus;

pt → ft: 0.42 apter after æftær;

gg# → g#: 0.43 væg vægg vegg;

þer → n: 0.44 maþer man;

th → þ: 0.44 oþolskipti othalskipte;

mp → m: 0.45 hamn hampn;

eli → li: 0.45 lastelika lastlika;

ghi → i: 0.62 aplöia opplöghia.

(Ahlberg & Bouma 2012)

(12)

Spelling variation evaluation

Link-up 96% of Fornsvenska Textbanken Estimated correctness in top3: 78%

Does not handle morphology öknen → ökn.N

Problems with compound splitting villhonnugh → vilder.A + hunagh.N

(13)

POS-tagging

Projecting syntactic information

1526

1873

(14)

Dalin, 1732-1734 Swart, 1560

(15)

POS-tagging

Extending Hunpos with morphological information

I Idea: use the model for contemporary Swedish, and plug-in an extra morphology for historical language.

I Swedberg and Dalin(Borin & Forsberg 2008)

+ komm NN → VB

+ doch UO → AB foreign words + ähra PM → NN proper nouns

- Stolpe NN → PM proper/common nouns - moste VB → NN errors in the morphology - wisa VB → NN morphology not yet covering

öfverväxa vb inf aktiv öfvervälta vb inf aktiv öfvervintra vb inf aktiv öfvervinna vb inf aktiv öfvervika vb inf aktiv prisar vb pres sg ind aktiv prisas vb pres sg ind s-form prise vb pres pl ind p1 aktiv prises vb pres pl ind p1 s-form prisen vb pres pl ind p2 aktiv prisens vb pres pl ind p2 s-form prisa vb pres pl ind p3 aktiv

(16)

Morphology

Semi-supervised learning?

Can we make abstractions from known inflection tables?

Paradigm induction

Can we use these to predict inflection of unseen words?

Lexicon construction

(Ahlberg, Forsberg & Hulden 2014)

(17)

Morphology

Paradigm induction

(18)

Morphology

Lexicon induction

(19)

Morphology evaluation

Modern languages:

Table accuray of 76.50–98.00%

Form accuray of 91.81–99.58%

Old Swedish: (Adesam et al. 2014)

Table accuracy of ∼54.00%

(20)

Fonsvenska reader

http://demo.spraakdata.gu.se/fsvreader/

(21)

Morfologilabbet

http://spraakbanken.gu.se/karp/morfologilabbet/

(22)

OCR error correction

I OCR Swedish text with high quality, independent on the quality of the print.

I OCROpus: open source OCR engine, neural-network based

I Material:

I Blackletter texts printed between approx 1600 and 1800

I Olof v. Dalin’s Swänska Argus (1732–1734, Stockholm)

(23)

Post-processing

Noisy channel model:

argmax

orig

p(orig|ocr) = argmax

orig

[p(ocr|orig) · p(orig) ]

I error model (EM) = p(ocr|orig)

I language model (LM)= p(orig)

Kolak, O. (2005). OCR post-processing for low density languages. In Proceedings of human language technology conference and conference on empirical methods in natural language processing (HLT/EMNLP).

(24)

Error model

Estimates the probability that a certain transformation can occur to a string

ocr:  apitel cller dcl är ey så wäl utarbetad, orig: Capitel eller del är ey så wäl utarbetad, ocr: dock hålst welat blifwa wid det sättet, orig: dock hälst welat blifwa wid det sättet, ocr: wårt Bärck.

orig: wårt Wärck.

(25)

Language model

I trigram model

constructed from a training coprus

I unigram model

words and their frequencies (72,359 entries)

I word-based model

wordlists constructed from Swedberg and Dalin fullform dictionary (567,108 entries)

(26)

Post-processing evaluation

Argus (1732–1734) CER 11–15%

WER 40–50%

Mixed texts (1600–1800) CER 17–25%

WER 55–60%

(27)

OCR cloud

http://demo.spraakdata.gu.se/ocr/

(28)

Word Sense Changes

1. Automatically find word senses

Unsupervised Word Sense Discrimination

2. Track the senses over time to find change

Experiments on The Times Archive, London (1785- 1985)

First we had to correct OCR errors!

 Increased number of clusters, on average 24%

more clusters, 61% more clusters before 1815.

ti tnow

t1 t2 t3 t4 time

(29)

Evaluation

• Evolved sense (broadened/narrowed)

• Personal computer, mobile phone, email

• Novel related sense

• Music tape, computer mouse

• Novel unrelated sense

• (new word, sense), e.g., Internet

• (exist. word, new sense), e.g., rock music

• Existing sense

• Stone sense of rock

• Deer, horse, …

Exp 1 counts recall in any unit Exp 2 counts recall in correct form

 95% recall in our units, 82% in correct form!

On average, 6.3— 9.4 years to find change from first cluster evidence.

It takes 29-32 years to find change from defintion.

(30)

Correct OCR errors

For the Kubhist data:

• Use a sliding window method to create a graph

• Cluster the graph using word sense discrimination

 Many spelling variations end up in the same cluster Examples:

{Hvitliafre, hvithafpe,rag,hvete, svarthafre, hvithafro, hvithafre, korn, slipsten, ny, kora}

{Fianinon, planlnon,fotograflapparatcr, planinon, pnino, orafofoner, orgel, flaninon, fotografiapparate,rurafofoner, grafofoner, fotograflapparater}

References

Related documents

Hösten 2020 tog kontoret på uppdrag fram förslag för att underlätta för cykling genom snabba åtgärder, med anledning av ändrade trafikflöden och resmönster på grund av

[r]

Investeringarna för helåret uppgår till 251,5 mnkr, varav 229,2 mnkr avser stora investeringar, vilket är 30,5 mnkr högre än bolagets budgeterade volym om 220,0 mnkr, men lägre än

Vid inflyttning på Dianagården upprättas alltid en genomförandeplan och en riskanalys tillsammans med den boende, dennes anhöriga, omvårdnadsansvarig sjuksköterska,

Inom ramen för SAMS-arbetet har SISAB under året tagit fram en förstudiemall som nu används i förstudieskedet, mallen syftar till att se över bla ekonomiska förutsättningar i

Intäkter från kontrollavgifter uppgår till 44,3 mnkr och är 9,0 mnkr högre än föregående år, vilket främst beror på att bolaget höjde kontrollavgifterna 1 juli

Stadsdelsnämnden bidrar till att uppfylla kommunfullmäktiges mål för verksamhetsområdet genom att fortsätta vidareutveckla arbetssätt för att ge individuellt stöd och insatser till

Det innebär att vi skall göra allt för att ingen ska bli diskriminerad eller trakasserad, göra allt vi kan för att förebygga och förhindra att något barn eller någon