Merge branch 'master' of https://git.wmi.amu.edu.pl/s426289/retroc2

README.md

@@ -0,0 +1,142 @@
+
+RetroC2 temporal classification challenge
+=========================================
+
+Guess the publication year of a Polish text.
+
+This is the second (larger and improved) edition of the challenge, see
+[http://gonito.net/challenge/retroc]() for the first edition.
+
+Example
+-------
+
+For instance, you are expected to guess the publication year of this 500-word
+text:
+
+> Gazet, a tam o osobie zamformuie się. Uwiadomienie. Stosownie do
+> dodatku gazety W. Xiestwa Poznańskiego Nru 74. Ig15. niźey podpisany
+> odwoluiąc się, w którey wszelkie pełnomocnictwa komukolwiek priez
+> niego dane, od daty teyźe gazety za nieważne mieć chce, dziś więc
+> potwierdza to, kassuiac i umarzaiąc pełnomocnictw» Ur. Podgurskiemu
+> przez siebie uczyni o n e, w P o z n a n i u dnia 3. Mala 1816 r.
+> Psirohońshi. Odmienienie mieszkania. Donoszę Szanowney Publiczności,
+> iż mieszkanie moie z Dominikjńskiey ulicy przeniosłem na Szeroką
+> ulicę do JP. Fi asa pod Nr 114 na pierwszym piętrze, i handel zboża
+> nadal prowadzić będę. Poznań dnia 6. Maia 1816. Meyer Marcuse. III
+> 111---»-- Do przedania. Kamienica w rynku podNrcra 62, o trzech
+> piętrach, wraz z zabudowaniami, w bardzo dobrym znayduiąca się
+> stanie, do szynku i przyimowania gości urządzona, iest zwolney ręki
+> do przedania. Dokładnieyszą wiadomość powziąść można u właściciela.
+> Do przedania. Dom za Świętym Marcinem pod N rem 42. z browarnią,
+> staynią, studnią i wielkićm podwórzem, niemniey kilkanaście szachtów
+> kamieni, iest na dniu 24m Czerwca r. b. z wolney .ręki do
+> sprzedania. Każdy ochotę mający kupna, o kondycyach sprzedaży
+> dowiedzieć się mole tu w Voznaniu w rynku pod N rem 57. u S tanisław
+> a PoweIskiego. Do przedania. Na mocy w Prześwietnym Sądzie Pokoiti
+> Powiatu tuteyszego pomiędzy Szl. Henrykiem Eichbaum, właścicielem
+> młyna papierni w MuchodzU 5 A 7 II nie, Powiatu Międzyrzeckiego, a
+> Szl. Wilhelmem Ferdynandem Naukę, Kredy torem pryncypalnym z młyna
+> wodnego w Muchodzinie, na dniu 29m miesiąca Marca roku bieżąesgo
+> itawartey i w ley n.ierze do podpisanego uczynionego wniosku,
+> zesunie młyn papiernia, wraz do tego należącemi gruntami, w wsi
+> Muchodzinie w Powiecie Międzyrzeckim leżąca, według urzedowey na
+> dniu I I Kwietnia roku bieżącego zdziałaney taxy, na summe. 2246
+> Tal. 12 dgr, oszacowana, w drodze lieytacyi public-zney więcey
+> daiącemu za gotowa Ziraz zjpłatę, i wypełnieniem kondycyi kupna,
+> sprzedana; do którey to sprzedaży termin pierwszy do publikacyi
+> kondycyi kupna 1 przedsunowczego przysądzenia, na żądanie
+> Iineressentow, na dzieli 12. miesiąca Czerwca roku bieżącego
+> w.kascelląryi Urzędnika podpisanego o godzinie iotey przed południem
+> wyznaczonym zostaie.- Wzywa się więc ninśeyszem Publiczność kupna
+> tego ochotę maiącą, oraz wszelcy Kredyiorowie e x q u o c u n q u e
+> jur e d o młyna tego papierni twierdzić prawa sobie mogący, aby w
+> terminie wzwyż wyrażonym osobiście lub przez prawnie umocowanych
+> Pełnomocników stawilisię; pierwsi swe licyta, drudzy zaś swe realne
+> pretensye do protokółu podali, a nay więcey licytuiącemu nie«
+> ruchomości powyż wymienioney zprzyległościami przygotowawcze
+> przysądzenie nastąpi. Kredytprowie zaś "Z swerni pretensyami do
+> nieruchomości tey za prekludowanych, a to sub prejudicio perpetui
+> silentii uważani zostaną. Zbiór obiaśnień i kondycyi kupna przeyrzeć
+> każdy interessuiący może u podpisanego. Międzyrzecz dnia 20.
+> Kwietnia i816\\ Ur ząd P isars t wa Aktowego Powiatu
+> Międzyrzeckiego. M. GądkowskL Do przedania. Podaie się do publiczney
+> wiadomości, iż podpisany Komornik Sądowy Powiatu Krobskiego,
+> zatradowane inwentarze, to iest: konie, woły, krowy, owce i t. d. i
+> porządki gospodarskie, Wmu Kamieńskiemu, Possessocpwi dóbr
+> Sobiałkowskich, za kaucyą na zabezpieczenie inwentarzy gruntowych,
+> do massy konkursowey JOO.XiazatSujftoivsftjcji należących, w wsi
+> Sobiałkowie pod Rawiczem
+
+(Yes, there might be a lot of OCR noise there!)
+
+The perfect answer for this text is 1816.37021856342 (year with a
+fraction representing a specific day, May, 15th, 1816 for this
+example). You could as well return non-integer numbers, for instance
+if you are sure that the text was published in 1977, but you have no
+idea on which day, the optimal decision is to return 1977.5.
+
+The metric is root mean squared error.
+
+Directory structure
+-------------------
+
+* `README.md` — this file
+* `config.txt` — GEval configuration file
+* `train/` — directory with training data
+* `train/train.tsv.xz` — train set (compressed with xz, not gzip!)
+* `train/meta.tsv.xz` — metadata (do **not** use in training)
+* `dev-0/` — directory with dev (test) data from the same sources as the train set
+* `dev-0/in.tsv` — input text for the dev set
+* `dev-0/expected.tsv` — expected data for the dev set (publication years)
+* `dev-0/meta.tsv.xz` — metadata (do **not** use while testing)
+* `dev-1/` — directory with dev (test) data from different source than the train set
+* `dev-1/in.tsv` — input text for the dev set
+* `dev-1/expected.tsv` — expected data for the dev set (publication years)
+* `dev-1/meta.tsv.xz` — metadata (do **not** use while testing)
+* `test-A` — directory with test data
+* `test-A/in.tsv` — input text for the test set
+* `test-A/expected.tsv` — expected data for the test set (hidden)
+* `test-A/meta.tsv.xz` — hidden metadata
+
+Structure of data sets
+----------------------
+
+Dev and tests test sets are balanced for years (or at least it was
+attempted to balance them for years — for some years there was not enough material).
+
+The `dev-0` dataset was created using the same sources as the train set, but
+`dev-1` and `test-A` were generated using sources different from
+`dev-0` (and different to each other), so `dev-0` is likely to be
+easier than `dev-1`.
+
+Metadata files are given for reference, do not use them for training.
+
+Format of the train set
+-----------------------
+
+The format of the train set is different from test sets. There is more
+information there and you are free to exploit it.
+
+TAB-separated columns:
+
+* beginning of the period in which a text is known to be published, given as a year
+  with a possible fraction (note that various time granularities are given in this
+  data set — daily, monthly, yearly, etc.),
+* end of the period in which a text is known to be published,
+* title normalised,
+* symbol of the source (usually a Polish digital library).
+* ~500-word-long text snippet.
+
+Format of the test sets
+-----------------------
+
+The input file is just a list of ~500-word-long text snippets, each
+given in a separate line.
+
+The `expected.tsv` file is a list of publication years (with fractions).
+
+Format of the output files
+--------------------------
+
+For each input line, publication year should be given (it is the same
+as `expected.tsv` files). The name of the output files is `out.tsv`.

config.txt

@@ -0,0 +1 @@
+--metric RMSE --precision 4