Zaktualizuj 'evaluation.md'

.gitignore

@@ -215,4 +215,6 @@ fabric.properties
 
 slot-model
 
-ConvLab-2
+ConvLab-2
+
+resources

README.md

@@ -4,7 +4,7 @@
 
 - uczenie modelu realizowane jest w zmodyfikowanym pliku z zajęć **lab/08-parsing-semantyczny-uczenie(zmodyfikowany).ipynb**
 
-- dane uczące, wygenerowane są automatycznie, na podstawie zebranych wcześniej dialogów, przez regułowy skrypt **tasks/zad8/pl/annotate.py**, a następnie poprawione ręcznie. Dane znajdują sie w dwóch plikach **tasks/zad8/pl/test.conllu** oraz **tasks/zad8/pl/train.conllu**
+- dane uczące, generowane są automatycznie, na podstawie zebranych wcześniej dialogów, przez regułowy skrypt **tasks/zad8/pl/annotate.py**, a następnie poprawione ręcznie. Dane znajdują sie w dwóch plikach **tasks/zad8/pl/test.conllu** oraz **tasks/zad8/pl/train.conllu**
 
 - model wykorzystywany jest w klasie z pliku **src/components/NLU.py**
 
@@ -12,6 +12,8 @@
 
 - aby porozmawiać z systemem należy uruchomić wszystkie komórki pliku **lab/08-parsing-semantyczny-uczenie(zmodyfikowany).ipynb**, w celu nauczenia modelu, po ich wykonaniu należy uruchomić pythonowy skrypt **src/dialogue_system.py**
 
+- dodananie modelu służącego do klasyfikacji wypowiedzi użytkownika, rozdzielenie zadań tagowania slotow oraz klasyfikacji wypowiedzi użytkownika do dwóch niezależnych modeli
+
 ---
 
 ## Zadanie 9/10 DST i DP

evaluation.md

@@ -0,0 +1,34 @@
+# Ewaluacja
+Odpowiedzi w pliku nachos-ankieta.xlsx zawierają odpowiedzi tekstowe, które korespondują z ocenami w skali od 1 do 7.
+Na przykład, dla pytania "Czy zamierzasz używać systemu w przyszłości?" odpowiedziami teksotwymi i ich reprezntacją liczbową są:
+- Z pewnością -> 7
+- Tak -> 6 
+- Raczej tak -> 5
+- Średnio -> 4
+- Raczej nie -> 3
+- Pewnie nie -> 2
+- Na pewno nie -> 1
+
+Z tego powodu wszystkie te wartości zostały przemienione na dane liczbowe, by przeprowadzić lepszą ewaluację. (plik znajduje się w tym katalogu)
+
+Ankieta była anonimowa, a użytkownicy korzystali z różnych komputerów, w tym członków zespołu do jej wypełnienia, nie należy się więc sugerować kolumną "Email"
+
+Odpowiedzi jest łącznie 10, co oznacza, że wszyscy obecni (zgodnie z listą obecności z dnia 15.06) wypełnili ankietę jednokrotnie, pod warunkiem że nikt nie zrobił tego dwa razy, czego nie możemy byc pewni.
+
+Wszystkie 10 osób odpowiedziało na pytanie, czy udało się zarezerwować bilet twierdząco, więc dla prostej metryki "task success" mamy współczynnik 100%
+
+- Dla kolejnych metryk, w której każda z nich posiadała skalę od 1 do 7, systemom udało się zdobyć (wyniki po uśrednieniu):
+- Czy odpowiedzi systemu były zrozumiałe? -> 6.1 na 7
+- Czy zamierzasz używać systemu w przyszłości? -> 5 na 7
+- Czy na każdym etapie rozmowy wiedziałeś co powiedzieć? -> 6.7 na 7
+- Czy system rozumiał wiadomości za pierwszym razem, bez konieczności powtarzania? -> 6 na 7
+- Czy system zachowywał się zgodnie z twoimi przewidywaniami? -> 5.8 na 7 
+- Jakie jest prawdopodobieństwo, że polecisz nas znajomemu lub współpracownikowi? -> 6 na 7
+
+## Wnioski
+Wyniki te są zadowalające, uzyskując około 6 na 7 pkt z prawie każdej kategorii. Z rozmów z użytkownikami wiemy też jaki błędy poprawić w przyszłości, gdzie priorytetowym z nich jest rezerwacja miejsc, tj. wybieranie dokładnego miejsca A-J, 1-20.
+Najgorzej wypadło "Czy zamierzasz używać systemu w przyszłości?" co może oznaczać, że na zajęciach pojawił się lepszy system, z którego użytkownicy chcieliby korzystać. Jednak do takich wniosków potrzeba  by było analizy ankiet dla wszystkich systemów, nie tylko tej jednej.
+
+
+ 
+ 

lab/08-parsing-semantyczny-uczenie(zmodyfikowany).ipynb

@@ -80,7 +80,14 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 1,
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 7,
    "metadata": {},
    "outputs": [
     {
@@ -249,12 +256,12 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 5,
+   "execution_count": 4,
    "metadata": {},
    "outputs": [],
    "source": [
     "from flair.data import Corpus, Sentence, Token\n",
-    "from flair.datasets import SentenceDataset\n",
+    "from flair.datasets import SentenceDataset, CSVClassificationCorpus\n",
     "from flair.embeddings import StackedEmbeddings\n",
     "from flair.embeddings import WordEmbeddings\n",
     "from flair.embeddings import CharacterEmbeddings\n",
@@ -262,7 +269,7 @@
     "from flair.models import SequenceTagger\n",
     "from flair.trainers import ModelTrainer\n",
     "from flair.datasets import DataLoader\n",
-    "\n",
+    "import flair\n",
     "# determinizacja obliczeń\n",
     "import random\n",
     "import torch\n",
@@ -277,6 +284,27 @@
     "    torch.backends.cudnn.deterministic = True"
    ]
   },
+  {
+   "cell_type": "code",
+   "execution_count": 5,
+   "metadata": {},
+   "outputs": [
+    {
+     "data": {
+      "text/plain": [
+       "'0.6.1'"
+      ]
+     },
+     "execution_count": 5,
+     "metadata": {},
+     "output_type": "execute_result"
+    }
+   ],
+   "source": [
+    "flair.__version__\n",
+    "# Python 3.8.3 "
+   ]
+  },
   {
    "cell_type": "markdown",
    "metadata": {},
@@ -286,7 +314,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 6,
+   "execution_count": 30,
    "metadata": {},
    "outputs": [
     {
@@ -294,7 +322,7 @@
      "output_type": "stream",
      "text": [
       "Corpus: 346 train + 38 dev + 32 test sentences\n",
-      "Dictionary with 78 tags: <unk>, O, O/reqmore, B-interval/reqmore, I-interval/reqmore, O/inform, B-title/inform, B-date/inform, I-date/inform, B-time/inform, B-quantity/inform, B-area/inform, I-area/inform, B-goal/inform, O/bye, O/hello, O/reqmore inform, B-goal/reqmore inform, I-goal/reqmore inform, B-date/reqmore inform, B-interval/reqmore inform, O/null, O/help, B-goal/reqmore, I-goal/reqmore, B-title/reqmore, B-title/reqmore inform, I-title/reqmore inform, O/ack, O/reqalts\n"
+      "Dictionary with 20 tags: <unk>, O, B-interval, I-interval, B-title, B-date, I-date, B-time, B-quantity, B-area, I-area, B-goal, I-goal, I-title, I-time, I-quantity, B-seats, I-seats, <START>, <STOP>\n"
      ]
     }
    ],
@@ -320,7 +348,7 @@
     "\n",
     "    return SentenceDataset(fsentences)\n",
     "\n",
-    "corpus = Corpus(train=conllu2flair(trainset, 'slot', \"frame\"), test=conllu2flair(testset, 'slot', \"frame\"))\n",
+    "corpus = Corpus(train=conllu2flair(trainset, 'slot'), test=conllu2flair(testset, 'slot'))\n",
     "print(corpus)\n",
     "tag_dictionary = corpus.make_tag_dictionary(tag_type='slot')\n",
     "print(tag_dictionary)"
@@ -335,7 +363,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 7,
+   "execution_count": 31,
    "metadata": {},
    "outputs": [],
    "source": [
@@ -418,7 +446,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 9,
+   "execution_count": 44,
    "metadata": {},
    "outputs": [],
    "source": [
@@ -480,14 +508,14 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 10,
+   "execution_count": 45,
    "metadata": {},
    "outputs": [
     {
      "name": "stdout",
      "output_type": "stream",
      "text": [
-      "2022-05-22 15:25:19,970 loading file slot-model/final-model.pt\n"
+      "2022-05-30 22:30:48,788 loading file slot-model/final-model.pt\n"
      ]
     }
    ],
@@ -505,16 +533,16 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 11,
+   "execution_count": 47,
    "metadata": {},
    "outputs": [
     {
      "data": {
       "text/plain": [
-       "[('co', 'O/reqmore'), ('gracie', 'O/reqmore'), ('obecnie', 'O/reqmore')]"
+       "[('poprosze', 'O'), ('bilet', 'O'), ('na', 'O'), ('batman', 'B-title')]"
       ]
      },
-     "execution_count": 11,
+     "execution_count": 47,
      "metadata": {},
      "output_type": "execute_result"
     }
@@ -526,7 +554,7 @@
     "    model.predict(fsentence)\n",
     "    return [(token, ftoken.get_tag('slot').value) for token, ftoken in zip(sentence, fsentence)]\n",
     "\n",
-    "predict(model, 'co gracie obecnie'.split())"
+    "predict(model, 'poprosze bilet na batman'.split())"
    ]
   },
   {
@@ -569,19 +597,16 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 2,
+   "execution_count": 43,
    "metadata": {},
    "outputs": [
     {
-     "ename": "NameError",
-     "evalue": "name 'testset' is not defined",
-     "output_type": "error",
-     "traceback": [
-      "\u001b[1;31m---------------------------------------------------------------------------\u001b[0m",
-      "\u001b[1;31mNameError\u001b[0m                                 Traceback (most recent call last)",
-      "\u001b[1;32mc:\\Develop\\wmi\\AITECH\\sem1\\Systemy dialogowe\\lab\\08-parsing-semantyczny-uczenie(zmodyfikowany).ipynb Cell 25'\u001b[0m in \u001b[0;36m<cell line: 40>\u001b[1;34m()\u001b[0m\n\u001b[0;32m     <a href='vscode-notebook-cell:/c%3A/Develop/wmi/AITECH/sem1/Systemy%20dialogowe/lab/08-parsing-semantyczny-uczenie%28zmodyfikowany%29.ipynb#ch0000024?line=36'>37</a>\u001b[0m     \u001b[39mprint\u001b[39m(\u001b[39m\"\u001b[39m\u001b[39mrecall: \u001b[39m\u001b[39m\"\u001b[39m, recallScore)\n\u001b[0;32m     <a href='vscode-notebook-cell:/c%3A/Develop/wmi/AITECH/sem1/Systemy%20dialogowe/lab/08-parsing-semantyczny-uczenie%28zmodyfikowany%29.ipynb#ch0000024?line=37'>38</a>\u001b[0m     \u001b[39mprint\u001b[39m(\u001b[39m\"\u001b[39m\u001b[39mf1: \u001b[39m\u001b[39m\"\u001b[39m, f1Score)\n\u001b[1;32m---> <a href='vscode-notebook-cell:/c%3A/Develop/wmi/AITECH/sem1/Systemy%20dialogowe/lab/08-parsing-semantyczny-uczenie%28zmodyfikowany%29.ipynb#ch0000024?line=39'>40</a>\u001b[0m \u001b[39meval\u001b[39;49m()\n",
-      "\u001b[1;32mc:\\Develop\\wmi\\AITECH\\sem1\\Systemy dialogowe\\lab\\08-parsing-semantyczny-uczenie(zmodyfikowany).ipynb Cell 25'\u001b[0m in \u001b[0;36meval\u001b[1;34m()\u001b[0m\n\u001b[0;32m     <a href='vscode-notebook-cell:/c%3A/Develop/wmi/AITECH/sem1/Systemy%20dialogowe/lab/08-parsing-semantyczny-uczenie%28zmodyfikowany%29.ipynb#ch0000024?line=13'>14</a>\u001b[0m fp \u001b[39m=\u001b[39m \u001b[39m0\u001b[39m\n\u001b[0;32m     <a href='vscode-notebook-cell:/c%3A/Develop/wmi/AITECH/sem1/Systemy%20dialogowe/lab/08-parsing-semantyczny-uczenie%28zmodyfikowany%29.ipynb#ch0000024?line=14'>15</a>\u001b[0m fn \u001b[39m=\u001b[39m \u001b[39m0\u001b[39m\n\u001b[1;32m---> <a href='vscode-notebook-cell:/c%3A/Develop/wmi/AITECH/sem1/Systemy%20dialogowe/lab/08-parsing-semantyczny-uczenie%28zmodyfikowany%29.ipynb#ch0000024?line=15'>16</a>\u001b[0m sentences \u001b[39m=\u001b[39m [sentence \u001b[39mfor\u001b[39;00m sentence \u001b[39min\u001b[39;00m testset]\n\u001b[0;32m     <a href='vscode-notebook-cell:/c%3A/Develop/wmi/AITECH/sem1/Systemy%20dialogowe/lab/08-parsing-semantyczny-uczenie%28zmodyfikowany%29.ipynb#ch0000024?line=16'>17</a>\u001b[0m \u001b[39mfor\u001b[39;00m sentence \u001b[39min\u001b[39;00m sentences:\n\u001b[0;32m     <a href='vscode-notebook-cell:/c%3A/Develop/wmi/AITECH/sem1/Systemy%20dialogowe/lab/08-parsing-semantyczny-uczenie%28zmodyfikowany%29.ipynb#ch0000024?line=17'>18</a>\u001b[0m     \u001b[39m# get sentence as terms list\u001b[39;00m\n\u001b[0;32m     <a href='vscode-notebook-cell:/c%3A/Develop/wmi/AITECH/sem1/Systemy%20dialogowe/lab/08-parsing-semantyczny-uczenie%28zmodyfikowany%29.ipynb#ch0000024?line=18'>19</a>\u001b[0m     termsList \u001b[39m=\u001b[39m [w[\u001b[39m\"\u001b[39m\u001b[39mform\u001b[39m\u001b[39m\"\u001b[39m] \u001b[39mfor\u001b[39;00m w \u001b[39min\u001b[39;00m sentence]\n",
-      "\u001b[1;31mNameError\u001b[0m: name 'testset' is not defined"
+     "name": "stderr",
+     "output_type": "stream",
+     "text": [
+      "\n",
+      "KeyboardInterrupt\n",
+      "\n"
      ]
     }
    ],
@@ -608,7 +633,9 @@
     "        # predict tags\n",
     "        predTags = [tag[1] for tag in predict(model, termsList)]\n",
     "        \n",
-    "        expTags = [token[\"slot\"] + \"/\" + token[\"frame\"] for token in sentence]\n",
+    "        # expTags = [token[\"slot\"] + \"/\" + token[\"frame\"] for token in sentence]\n",
+    "        expTags = [token[\"slot\"] for token in sentence]\n",
+    "\n",
     "        for i in range(len(predTags)):\n",
     "            if (expTags[i][0] == \"O\" and expTags[i] != predTags[i]):\n",
     "                fp += 1\n",
@@ -642,6 +669,191 @@
     " 4. Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin, Attention is All you Need, NIPS 2017, pp. 5998-6008, https://arxiv.org/abs/1706.03762\n",
     " 5. Alan Akbik, Duncan Blythe, Roland Vollgraf, Contextual String Embeddings for Sequence Labeling, Proceedings of the 27th International Conference on Computational Linguistics, pp. 1638–1649, https://www.aclweb.org/anthology/C18-1139.pdf\n"
    ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "### Predykcja aktów mowy użytkownika"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 36,
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "2022-05-30 22:08:33,633 Reading data from ..\\tasks\\zad8\\pl\\dataSentence\n",
+      "2022-05-30 22:08:33,633 Train: ..\\tasks\\zad8\\pl\\dataSentence\\train.tsv\n",
+      "2022-05-30 22:08:33,634 Dev: None\n",
+      "2022-05-30 22:08:33,635 Test: ..\\tasks\\zad8\\pl\\dataSentence\\test.tsv\n",
+      "Corpus: 280 train + 31 dev + 32 test sentences\n"
+     ]
+    }
+   ],
+   "source": [
+    "def conllu2flair(sentences, label2=None):\n",
+    "    fsentences = []\n",
+    "\n",
+    "    for sentence in sentences:\n",
+    "        fsentence = Sentence()\n",
+    "\n",
+    "        for token in sentence:\n",
+    "            ftoken = Token(token['form'])\n",
+    "\n",
+    "            \n",
+    "            if label2:\n",
+    "                ftoken.add_tag(label2, token[label2])\n",
+    "                    \n",
+    "            fsentence.add_token(ftoken)\n",
+    "\n",
+    "        fsentences.append(fsentence)\n",
+    "\n",
+    "    return SentenceDataset(fsentences)\n",
+    "\n",
+    "trainPath = \"../tasks/zad8/pl/dataSentence/train.tsv\"\n",
+    "testPath = \"../tasks/zad8/pl/dataSentence/test.tsv\"\n",
+    "dataFolder = \"../tasks/zad8/pl/dataSentence\"\n",
+    "column_name_map = {0: \"text\", 1: \"label_topic\"}\n",
+    "corpusClassification = CSVClassificationCorpus(dataFolder,\n",
+    "                                         column_name_map,\n",
+    "                                         skip_header=False,\n",
+    "                                         delimiter='\\t',\n",
+    ")\n",
+    "print(corpusClassification)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 40,
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "2022-05-30 22:10:19,891 Computing label dictionary. Progress:\n"
+     ]
+    },
+    {
+     "name": "stderr",
+     "output_type": "stream",
+     "text": [
+      "100%|██████████| 312/312 [00:04<00:00, 68.32it/s] "
+     ]
+    },
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "2022-05-30 22:10:25,276 [b'inform', b'reqmore', b'hello', b'infomrm', b'reqmore inform', b'bye', b'ack', b'reqalts', b'impl-conf inform', b'help', b'request', b'affirm', b'thankyou', b'affirm inform', b'bye thankyou', b'hello inform', b'infrom', b'confirm', b'negate confirm', b'negate', b'negate ', b'deny']\n"
+     ]
+    },
+    {
+     "name": "stderr",
+     "output_type": "stream",
+     "text": [
+      "\n"
+     ]
+    }
+   ],
+   "source": [
+    "from flair.data import Corpus\n",
+    "from flair.datasets import TREC_6\n",
+    "from flair.embeddings import WordEmbeddings, FlairEmbeddings, DocumentRNNEmbeddings\n",
+    "from flair.models import TextClassifier\n",
+    "from flair.trainers import ModelTrainer\n",
+    "\n",
+    "from os.path import exists\n",
+    "\n",
+    "\n",
+    "# 2. create the label dictionary\n",
+    "label_dict = corpusClassification.make_label_dictionary()\n",
+    "\n",
+    "# 3. make a list of word embeddings\n",
+    "word_embeddings = [\n",
+    "    WordEmbeddings('pl'),\n",
+    "    FlairEmbeddings('polish-forward'),\n",
+    "    FlairEmbeddings('polish-backward'),\n",
+    "    CharacterEmbeddings(),\n",
+    "]\n",
+    "\n",
+    "# 4. initialize document embedding by passing list of word embeddings\n",
+    "# Can choose between many RNN types (GRU by default, to change use rnn_type parameter)\n",
+    "document_embeddings = DocumentRNNEmbeddings(word_embeddings, hidden_size=256)\n",
+    "\n",
+    "# 5. create the text classifier\n",
+    "classifier = TextClassifier(document_embeddings, label_dictionary=label_dict)\n",
+    "\n",
+    "# 6. initialize the text classifier trainer\n",
+    "trainer = ModelTrainer(classifier, corpusClassification)\n",
+    "\n",
+    "modelPath = 'resources/taggers/trec/final-model.pt'\n",
+    "\n",
+    "\n",
+    "fileExists = exists(modelPath)\n",
+    "\n",
+    "if(not fileExists):\n",
+    "    # 7. start the training\n",
+    "    trainer.train('resources/taggers/trec',\n",
+    "                learning_rate=0.1,\n",
+    "                mini_batch_size=32,\n",
+    "                anneal_factor=0.5,\n",
+    "                patience=5,\n",
+    "                max_epochs=10)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 41,
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "2022-05-30 22:10:47,199 loading file resources/taggers/trec/final-model.pt\n",
+      "[reqmore (0.5459)]\n"
+     ]
+    }
+   ],
+   "source": [
+    "classifier = TextClassifier.load(modelPath)\n",
+    "\n",
+    "# create example sentence\n",
+    "sentence = Sentence('Jakie filmy gracie jutro?')\n",
+    "\n",
+    "# predict class and print\n",
+    "classifier.predict(sentence)\n",
+    "\n",
+    "print(sentence.labels)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 42,
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "[inform (0.5967)]\n"
+     ]
+    }
+   ],
+   "source": [
+    "# create example sentence\n",
+    "sentence = Sentence('siedzenia h1 h2')\n",
+    "\n",
+    "# predict class and print\n",
+    "classifier.predict(sentence)\n",
+    "\n",
+    "print(sentence.labels)"
+   ]
   }
  ],
  "metadata": {
@@ -671,7 +883,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.8.10"
+   "version": "3.8.3"
   },
   "subtitle": "8.Parsing semantyczny z wykorzystaniem technik uczenia maszynowego[laboratoria]",
   "title": "Systemy Dialogowe",

lab/12-ujednoznacznianie.ipynb

@@ -0,0 +1,211 @@
+{
+    "cells": [
+        {
+            "cell_type": "markdown",
+            "metadata": {
+                "collapsed": false
+            },
+            "source": [
+                "![Logo 1](https://git.wmi.amu.edu.pl/AITech/Szablon/raw/branch/master/Logotyp_AITech1.jpg)\n",
+                "<div class=\"alert alert-block alert-info\">\n",
+                "<h1> Systemy Dialogowe </h1>\n",
+                "<h2> 12. <i>Ujednoznacznianie wypowiedzi u\u017cytkownika</i>  [laboratoria]</h2> \n",
+                "<h3> Marek Kubis (2021)</h3>\n",
+                "</div>\n",
+                "\n",
+                "![Logo 2](https://git.wmi.amu.edu.pl/AITech/Szablon/raw/branch/master/Logotyp_AITech2.jpg)"
+            ]
+        },
+        {
+            "cell_type": "markdown",
+            "metadata": {},
+            "source": [
+                "Ujednoznacznianie wypowiedzi u\u017cytkownika\n",
+                "========================================\n",
+                "\n",
+                "Problem\n",
+                "-------\n",
+                "W systemie dialogowym ukierunkowanym na wype\u0142nianie wielu zada\u0144 jednocze\u015bnie polecenia u\u017cytkownika mog\u0105 by\u0107 niejednoznacznie. Przyk\u0142adowo wypowied\u017a\n",
+                "\n",
+                "> please book it for me\n",
+                "\n",
+                "mo\u017ce dotyczy\u0107 zar\u00f3wno rezerwacji pokoju w hotelu jak i biletu na poci\u0105g.\n",
+                "\n",
+                "System, w kt\u00f3rym modu\u0142 NLU jest zbudowany z wykorzystaniem gramatyk semantycznych mo\u017ce zwr\u00f3ci\u0107\n",
+                "wi\u0119cej ni\u017c jedn\u0105 ram\u0119 reprezentuj\u0105c\u0105 znaczenie wypowiedzi. Kt\u00f3ra rama powinna zosta\u0107 uznana za\n",
+                "prawid\u0142ow\u0105?\n",
+                "\n",
+                "System, w kt\u00f3rym modu\u0142 NLU jest zbudowany przy u\u017cyciu modelu sekwencyjnego mo\u017ce zwr\u00f3ci\u0107 jedn\u0105,\n",
+                "arbitralnie wybran\u0105 ram\u0119. Co wtedy?\n",
+                "\n",
+                "Ujednoznacznianie z wykorzystaniem regu\u0142\n",
+                "----------------------------------------\n",
+                "\n",
+                "Do ujednoznaczniania wypowiedzi u\u017cytkownika mo\u017cna wykorzysta\u0107 monitor stanu dialogu oraz taktyk\u0119\n",
+                "prowadzenia dialogu.  Mo\u017cemy m.in.:\n",
+                "\n",
+                " 1. Dopasowa\u0107 niejednoznaczn\u0105 wypowied\u017a do wszystkich dziedzin licz\u0105c na to, \u017ce w toku dialogu\n",
+                "    niejednoznaczno\u015b\u0107 zostanie rozstrzygni\u0119ta (to\n",
+                "    rozwi\u0105zanie zosta\u0142o przyj\u0119te w monitorze `SimpleRuleDST` przedstawionym na zaj\u0119ciach \u00f3smych).\n",
+                "\n",
+                " 2. Dopasowa\u0107 niejednoznaczn\u0105 wypowied\u017a wy\u0142\u0105cznie do tej dziedziny, dla kt\u00f3rej stan dialogu zawiera\n",
+                "    wype\u0142nione sloty.\n",
+                "\n",
+                " 3. Sprawdzi\u0107 czy wypowied\u017a u\u017cytkownika stanowi odpowied\u017a na pytanie uprzednio zadane przez system\n",
+                "    (pole `request_state` w monitorze `SimpleRuleDST`).\n",
+                "\n",
+                " 4. Wykorzysta\u0107 taktyk\u0119 prowadzenia dialogu do zadania pytania, kt\u00f3re rozstrzygnie\n",
+                "    niejednoznaczno\u015b\u0107."
+            ]
+        },
+        {
+            "cell_type": "markdown",
+            "metadata": {},
+            "source": [
+                "Ujednoznacznianie z wykorzystaniem uczenia maszynowego\n",
+                "------------------------------------------------------\n",
+                "\n",
+                "W procesie uczenia modelu NLU mo\u017cna wykorzysta\u0107 histori\u0119 dialogu jako kontekst (zbi\u00f3r dodatkowych\n",
+                "cech) warunkuj\u0105cych wynik uczenia.\n",
+                "Takie podej\u015bcie zosta\u0142o zastosowane w modelu [jointBERT](https://github.com/thu-coai/ConvLab-2/blob/master/convlab2/nlu/jointBERT/jointBERT.py), w kt\u00f3rym kontekst sk\u0142ada si\u0119 z trzech (sklejonych ze sob\u0105) tur dialogu poprzedzaj\u0105cych bie\u017c\u0105c\u0105 wypowied\u017a.\n",
+                "\n",
+                "Por\u00f3wnajmy skuteczno\u015b\u0107 modelu bezkontekstowego ze skuteczno\u015bci\u0105 modelu uwzgl\u0119dniaj\u0105cego kontekst.\n",
+                "Do oceny jako\u015bci wykorzystamy zbi\u00f3r danych [MultiWOZ](https://github.com/budzianowski/multiwoz) (Budzianowski i in., 2018)"
+            ]
+        },
+        {
+            "cell_type": "code",
+            "execution_count": null,
+            "metadata": {
+                "lines_to_next_cell": 0
+            },
+            "outputs": [],
+            "source": [
+                "from convlab2.nlu.jointBERT.multiwoz import BERTNLU\n",
+                "from convlab2.util.dataloader.module_dataloader import MultiTurnNLUDataloader\n",
+                "from convlab2.util.dataloader.dataset_dataloader import MultiWOZDataloader\n",
+                "\n",
+                "dataloader = MultiTurnNLUDataloader(dataset_dataloader=MultiWOZDataloader())\n",
+                "data = dataloader.load_data(data_key='test', role='sys')['test']"
+            ]
+        },
+        {
+            "cell_type": "code",
+            "execution_count": null,
+            "metadata": {
+                "lines_to_next_cell": 0
+            },
+            "outputs": [],
+            "source": [
+                "data['utterance'][:3]"
+            ]
+        },
+        {
+            "cell_type": "code",
+            "execution_count": null,
+            "metadata": {},
+            "outputs": [],
+            "source": [
+                "data['dialog_act'][:3]"
+            ]
+        },
+        {
+            "cell_type": "markdown",
+            "metadata": {
+                "lines_to_next_cell": 0
+            },
+            "source": [
+                "Precision, recall oraz F1 obu modeli zmierzymy korzystaj\u0105c z funkcji `evaluate`."
+            ]
+        },
+        {
+            "cell_type": "code",
+            "execution_count": null,
+            "metadata": {},
+            "outputs": [],
+            "source": [
+                "from convlab2.nlu.evaluate import calculateF1\n",
+                "from tqdm.notebook import tqdm\n",
+                "\n",
+                "def evaluate(model, data):\n",
+                "    results = []\n",
+                "\n",
+                "    for utt, ctx, acts in tqdm(zip(data['utterance'], data['context'], data['dialog_act']), total=len(data['utterance'])):\n",
+                "        predicted = model.predict(utterance=utt, context=ctx)\n",
+                "        results.append({'predict': predicted, 'golden': acts})\n",
+                "\n",
+                "    precision, recall, fscore = calculateF1(results)\n",
+                "    print(f'Precision: {precision:.4f} Recall: {recall:.4f} F1: {fscore:.4f}')\n",
+                "    return precision, recall, fscore"
+            ]
+        },
+        {
+            "cell_type": "markdown",
+            "metadata": {
+                "lines_to_next_cell": 0
+            },
+            "source": [
+                "Zmierzmy skuteczno\u015b\u0107 modelu bezkontekstowego."
+            ]
+        },
+        {
+            "cell_type": "code",
+            "execution_count": null,
+            "metadata": {},
+            "outputs": [],
+            "source": [
+                "noctx_model = BERTNLU(mode='all',\n",
+                "                      config_file='multiwoz_all.json',\n",
+                "                      model_file='https://convlab.blob.core.windows.net/convlab-2/bert_multiwoz_all.zip')\n",
+                "\n",
+                "noctx_results = evaluate(noctx_model, data)"
+            ]
+        },
+        {
+            "cell_type": "markdown",
+            "metadata": {
+                "lines_to_next_cell": 0
+            },
+            "source": [
+                "Zmierzmy skutecznos\u0107 modelu uwzgl\u0119dniaj\u0105cego kontekst."
+            ]
+        },
+        {
+            "cell_type": "code",
+            "execution_count": null,
+            "metadata": {},
+            "outputs": [],
+            "source": [
+                "ctx_model = BERTNLU(mode='all',\n",
+                "                    config_file='multiwoz_all_context.json',\n",
+                "                    model_file='https://convlab.blob.core.windows.net/convlab-2/bert_multiwoz_all_context.zip')\n",
+                "\n",
+                "ctx_results = evaluate(ctx_model, data)"
+            ]
+        },
+        {
+            "cell_type": "markdown",
+            "metadata": {},
+            "source": [
+                "Literatura\n",
+                "----------\n",
+                " 1. Pawel Budzianowski, Tsung-Hsien Wen, Bo-Hsiang Tseng, I\u00f1igo Casanueva, Stefan Ultes, Osman Ramadan, Milica Gasic, MultiWOZ - A Large-Scale Multi-Domain Wizard-of-Oz Dataset for Task-Oriented Dialogue Modelling. EMNLP 2018, pp. 5016-5026"
+            ]
+        }
+    ],
+    "metadata": {
+        "jupytext": {
+            "cell_metadata_filter": "-all",
+            "main_language": "python",
+            "notebook_metadata_filter": "-all"
+        },
+        "author": "Marek Kubis",
+        "email": "mkubis@amu.edu.pl",
+        "lang": "pl",
+        "subtitle": "12.Ujednoznacznianie wypowiedzi u\u017cytkownika[laboratoria]",
+        "title": "Systemy Dialogowe",
+        "year": "2021"
+    },
+    "nbformat": 4,
+    "nbformat_minor": 4
+}

src/components/DP.py

@@ -1,31 +1,150 @@
-from urllib import request
+from dataclasses import dataclass
 
 
 class DP:
     
     def __init__(self):
-        pass
+        self.database = DBMock()
 
-    def getAction(self, lastUserAct, emptySlots, systemSlots):
+    def getAction(self, lastUserAct, emptySlots, systemSlots, slotsWithValues):
         systemAct = None
         slotVal = None
-        if ((lastUserAct == "hello") | (lastUserAct == "inform") | (lastUserAct == None)):
+
+        if ((lastUserAct == "request") | (lastUserAct == "reqmore")):
+            title = None
+            date = None
+            time = None
+            if "title" in slotsWithValues.keys(): title = slotsWithValues["title"]
+            if "date" in slotsWithValues.keys(): date = slotsWithValues["date"]
+            if "time" in slotsWithValues.keys(): time = slotsWithValues["time"]
+            return ["Cinema", "select", "", self.database.getShows(title=title,date=date,time=time)]
+
+        elif ((lastUserAct == "hello") | (lastUserAct == "inform") | (lastUserAct == None)):
             # there are no empty slots
+            systemAct = None
+            slotName = None
+            value = None
             if not emptySlots:
+
+                reservationId = max(self.database.reservations.keys()) + 1
+                # TODO add reservation 
                 systemAct = "inform"
-                slotVal = systemSlots
+                slotName = systemSlots
+                value = reservationId
             # there are empty slots
             else: 
-                for slot in systemSlots:
-                    if slot in emptySlots:
-                        systemAct = "request"
-                        slotVal = slot
-                        break
-            return ["Cinema", systemAct, slotVal, ""]
-        elif (lastUserAct == "request"):
-            # todo policy for user request
-            return ["Cinema", "", "", ""]
+                for slot in emptySlots:
+                    systemAct = "request"
+                    slotName = slot
+                    break
+            return ["Cinema", systemAct, slotName, value]
         else:
             systemAct = "repeat"
             return ["Cinema", systemAct, "", ""]
- 
+ 
+class DBMock():
+    def __init__(self):
+        self.shows = {
+            1: {
+                "title": "Batman",
+                "date": "08.06",
+                "time": "19:00",
+                "seats": ["a1", "a2", "a3", "a4", "a5",
+                          "b1", "b2", "b3", "b4", "b5",
+                          "c1", "c2", "c3", "c4", "c5",
+                          "d1", "d2", "d3", "d4", "d5",
+                          "e1", "e2", "e3", "e4", "e5",],
+                "free": ["a1", "a2", 
+                          "b2", "b3", "b4",
+
+                          "d1", "d2",
+                          "e1", "e2", "e3", "e4",],
+            },
+            2: {
+                "title": "Batman",
+                "date": "08.06",
+                "time": "20:00",
+                "seats": ["a1", "a2", "a3", "a4", "a5",
+                          "b1", "b2", "b3", "b4", "b5",
+                          "c1", "c2", "c3", "c4", "c5",
+                          "d1", "d2", "d3", "d4", "d5",
+                          "e1", "e2", "e3", "e4", "e5",],
+                "free": ["a1", "a2", "a3", "a4", "a5",
+                          "b1", "b2", "b3", "b4", "b5",
+                          "c1", "c2", "c3", "c4", "c5",
+                          "d1", "d2", "d3", "d4", "d5",
+                          "e1", "e2", "e3", "e4", "e5",],
+            },
+            3: {
+                "title": "Zorro",
+                "date": "09.06",
+                "time": "21:00",
+                "seats": ["a1", "a2", "a3", "a4", "a5",
+                          "b1", "b2", "b3", "b4", "b5",
+                          "c1", "c2", "c3", "c4", "c5",
+                          "d1", "d2", "d3", "d4", "d5",
+                          "e1", "e2", "e3", "e4", "e5",],
+                "free": ["a1", "a2",
+                         "b1", "b2", "b3", "b4", "b5",
+                         "c4", "c5",
+                         "d1", "d2", "d3", "d4", "d5",
+                         "e1", "e2", "e3", "e4", "e5",],
+            }
+        }
+
+        self.reservations = {
+            1: {
+                'show': 1,
+                'seats': ['a3', 'a4', "a5"]
+            },
+            2: {
+                'show': 1,
+                'seats': ['b5']
+            },
+            3: {
+                'show': 1,
+                'seats': ['d3', 'd4', "d5"]
+            },
+            4: {
+                'show': 1,
+                'seats': ['e5']
+            },
+            5: {
+                'show': 1,
+                'seats': ['c1', 'c2', 'c3', 'c4', "c5"]
+            },
+            6: {
+                'show': 3,
+                'seats': ['a3', 'a4', "a5"]
+            },
+            7: {
+                'show': 3,
+                'seats': ['c1', 'c2', 'c3']
+            },
+        }
+    
+    def getShows(self, title = None, date = None, time = None,):
+        result = []
+        for key in self.shows.keys():
+            # title is None
+            if(title is None):
+                if ((date is not None) & (time is not None)):
+                    if self.shows[key]["date"] == str(date):
+                        if self.shows[key]["time"] == str(time):
+                            result.append([self.shows[key]["title"], self.shows[key]["date"]])
+                elif ((date is not None) & (time is None)):
+                    if self.shows[key]["date"] == str(date):
+                        result.append([self.shows[key]["title"], self.shows[key]["date"]])
+                elif ((date is None) & (time is not None)):
+                    if self.shows[key]["time"] == str(time):
+                        result.append([self.shows[key]["title"], self.shows[key]["date"]])
+            # title is not None
+            elif(title is not None):
+                if(date is None):
+                    if self.shows[key]["title"] == str(title):
+                        result.append(self.shows[key]["date"])
+                elif(date is not None):
+                    if(time is None):
+                        if self.shows[key]["date"] == str(date):
+                            result.append(self.shows[key]["time"])
+        return set(result)

src/components/DST.py

@@ -2,36 +2,27 @@ class DST:
 
     def __init__(self):
         self.init_session()
-        # self.value_dict = json.load(open('utils/value_dict.json'))
 
     def update(self, user_act=None):
         intentVal = None
+        # sample user_act from NLU
+        # user_act = [["inform", "Cinema", "title", "batman"], ["inform", "Cinema", "date", "jutro"]]
         for intent, domain, slot, value in user_act:
             domain = domain.lower()
             intent = intent.lower()
-            value = value.lower()
+            value = value
+            slot = slot.lower()
             
-            if intentVal is None : intentVal = intent
+            # all intents are same
+            if intentVal is None: intentVal = intent
 
-            k = slot
-
-            if intent == 'inform':
-
-                domain_dic = self.state['belief_state'][domain]
-
-                if k in domain_dic['semi']:
-                    self.state['belief_state'][domain]['semi'][k] = value
-                elif k in domain_dic['book']:
-                    self.state['belief_state'][domain]['book'][k] = value
-                elif k.lower() in domain_dic['book']:
-                    self.state['belief_state'][domain]['book'][k.lower()] = value
-            elif intent == 'reqmore':
-
-                if domain not in self.state['request_state']:
-                    self.state['request_state'][domain] = {}
-                if k not in self.state['request_state'][domain]:
-                    self.state['request_state'][domain][k] = 0
-        self.state['user_action'].append(intentVal)
+            # fills slots
+            if slot in self.state['belief_state']["cinema"]["book"].keys():
+                self.state['belief_state']["cinema"]["book"][slot] = value
+            
+            # saves user intent
+            self.state['user_action'].append(intentVal)
+        
         return self.state
 
     def addSystemAct(self, act):
@@ -50,6 +41,20 @@ class DST:
                 result.append(key)
         return result
 
+    def getFilledSlots(self):
+        result = []
+        for key in self.state['belief_state']["cinema"]["book"].keys():
+            if self.state['belief_state']["cinema"]["book"][key] != "":
+                result.append(key)
+        return result
+
+    def getSlotsWithValues(self):
+        result = {}
+        for key in self.state['belief_state']["cinema"]["book"].keys():
+            if self.state['belief_state']["cinema"]["book"][key] != "":
+                result[key] = self.state['belief_state']["cinema"]["book"][key]
+        return result
+
     def getSystemSlots(self):
         result = []
         for key in self.state['belief_state']["cinema"]["book"].keys():
@@ -75,13 +80,8 @@ class DST:
                     "time": "",
                     "quantity": "",
                     "seats": "",
-                    "area": "",
-                    "interval": "",
                 },
-                "semi": {
-                    "goal": ""
-                }
             },
-            
         }
         return state
+ 

src/components/NLU.py

@@ -1,19 +1,27 @@
 import re
 from flair.data import Sentence, Token
 from flair.datasets import SentenceDataset
-from flair.models import SequenceTagger
+from flair.models import SequenceTagger, TextClassifier
+
+from .chane import getDate, getTitle
 
 class NLU:
     
     def __init__(self):
-        self.nluModel = SequenceTagger.load('./lab/slot-model/final-model.pt')
+        self.nluModelClassifier = TextClassifier.load('./lab/resources/taggers/trec/final-model.pt')
+        self.nluModelTagger = SequenceTagger.load('./lab/slot-model/final-model.pt')
 
     def predict(self, sentence):
+        # user act prediction
+        sentenceClass = Sentence(sentence)
+        self.nluModelClassifier.predict(sentenceClass)
+
+        # tags prediction
         sentence = self.getStrCleaned(sentence)
         csentence = [{'form': word} for word in sentence]
         fsentence = self.conllu2flair([csentence])[0]
-        self.nluModel.predict(fsentence)
-        return self.toDSTInput([(token, ftoken.get_tag('slot').value) for token, ftoken in zip(sentence, fsentence)])
+        self.nluModelTagger.predict(fsentence)
+        return self.toDSTInput([(token, ftoken.get_tag('slot').value) for token, ftoken in zip(sentence, fsentence)], str(sentenceClass.labels[0]).split(" ")[0])
 
     def conllu2flair(self, sentences, label=None):
         fsentences = []
@@ -42,31 +50,48 @@ class NLU:
             messageLower = messageLower.replace(char,'')
         return messageLower.split()
 
-    def toDSTInput(self, taggedSentence):
+    def toDSTInput(self, taggedSentence, intent):
         result = []
-        intent = None
         slotValue = None
         slot = None
         for tuple in taggedSentence:
-            value, tagInt = tuple
-            if intent is None: intent = tagInt.split("/")[1]
-            if tagInt.split("/")[0] == "O":
+            value, tag = tuple
+            if tag == "O":
                 if slotValue is not None:
                     result.append([intent, 'Cinema', slot, slotValue])
                     slot = None
                     slotValue = None
-            elif tagInt.split("/")[0].split("-")[0] == "B":
-                slot = tagInt.split("/")[0].split("-")[1]
-                slotValue = value
-            elif tagInt.split("/")[0].split("-")[0] == "I":
-                try:
-                    slotValue += " " + value
-                except:
-                    slot = tagInt.split("/")[0].split("-")[1]
+            else:
+                findedSlot = tag.split("-")[1]
+                if slot is not None:
+                    if findedSlot == slot:
+                        slotValue += " " + value
+                    else: 
+                        result.append([intent, 'Cinema', slot, slotValue])
+                        slot = findedSlot
+                        slotValue = value
+                else: 
+                    slot = findedSlot
                     slotValue = value
+            # elif tag.split("-")[0] == "B":
+            #     if slot is not None & findedSlot != slot :
+            #     slot = tag.split("-")[1]
+            #     slotValue = value
+            # elif tag.split("-")[0] == "I":
+            #     try:
+            #         slotValue += " " + value
+            #     except:
+            #         slot = tag.split("-")[1]
+            #         slotValue = value
 
         if slotValue is not None:
+            # normalise input
+            if slot == "title":
+                slotValue = getTitle(slotValue)
+            elif slot == "date":
+                slotValue = getDate(slotValue)
             result.append([intent, 'Cinema', slot, slotValue])
+        if len(result) == 0: result.append([intent, 'Cinema', "", ""])
         return result
 
 

src/components/README.md

@@ -0,0 +1,19 @@
+## TODO lista
+
+- mock bazy danych z dostępnymi filmami, datami, godzinami, wolnymi miejscami 
+
+- NLU:
+    - poprawne rozumienie REQMORÓW użytkownika, przemyślenie slotów dla reqmore 
+
+- DST:
+    - obsługa SELECT
+    - po dodaniu wartości slotu sprawdzenie czy ważniejsze sloty (wyżej w słowniku) nadal pasują, jeśli nie to zaproponowanie SELECTEM innych wartości slotów (stan DST musi o tym informować a DP musi podjąć decyzję o wysłaniu SELECTA i slotu do NLG)
+
+- DP: 
+    - dodanie SELECT dla filmu, daty, godziny, miejsc
+    - odpowiedź na REQMORE usera
+
+- NLG:
+    - całe 
+
+- normalizacja wartości slotów

src/components/chane.py

@@ -0,0 +1,59 @@
+from difflib import SequenceMatcher
+from datetime import date
+import datetime
+from dateutil.parser import parse
+
+def getDate(user_date):
+    #jeżeli w dacie są jakieś liczby, to uznajemy ją za poprawną datę
+    if any(char.isdigit() for char in user_date):
+        return user_date
+    #synonimy słów oznaczające kolejne dni
+    dict_today = ["dzisiaj", "dziś"]
+    dict_tommorow = ['jutro']
+    dict_day_after_tomorrow = ['za dwa dni', 'pojutrze']
+
+    #sprawdzenie, jak bardzo podobne jest słowo, które podał u żytkownik do jednego z przypadków (i bierzemy najbardziej podobne)
+    result_today = max(map(lambda x: SequenceMatcher(a=user_date, b=x).ratio(), dict_today))
+    result_tommorow = max(map(lambda x: SequenceMatcher(a=user_date, b=x).ratio(), dict_tommorow))
+    result_day_after_tomorrow = max(map(lambda x: SequenceMatcher(a=user_date, b=x).ratio(), dict_day_after_tomorrow))
+
+    #zwrócenie wyniku dzisiaj, dzisiaj+1 (jutro), dzisiaj+2 (pojutrze)
+    if result_today > result_tommorow and result_today > result_day_after_tomorrow:
+        return date.today().strftime("%d.%m")
+    elif result_tommorow > result_day_after_tomorrow:
+        return (date.today() + datetime.timedelta(days=1)).strftime("%d.%m")
+    else:
+        return (date.today() + datetime.timedelta(days=2)).strftime("%d.%m")
+
+
+
+def getTitle(user_title):
+    titles=["Batman", "Na Noże", "Uncharted", "Ambulans", "Minionki", "Fantastyczne Zwierzęta", "To Nie Wypanda",
+            "Inni Ludzie", "Zorro"]
+    number_list = list(map(lambda x: SequenceMatcher(a=user_title, b=x).ratio(), titles))
+    max_value = max(number_list)
+    max_index = number_list.index(max_value)
+    return titles[max_index]
+
+#def getSeats:
+    #pass
+
+def getTime(user_time):
+    numbers = re.findall('[0-9]+', user_time)
+    numbers = [number.zfill(2) for number in numbers]
+    return ":".join(numbers[:2])
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+

src/dialogue_system.py

@@ -18,16 +18,18 @@ def chatbot():
 
     # main loop
     while isActive:
-        userMessage = input("$")
+        userMessage = input("$ ")
         if userMessage == "/exit":
             print("Do usłyszenia")
             isActive = False
+        elif userMessage == "/reset":
+            chatbot()
         else:
             nluPred = nlu.predict(sentence=userMessage)
-            # print(nluPred)
+            print(nluPred)
             dst.update(nluPred)
             # print(dst.state)
-            dpAct = dp.getAction(dst.getLastUserAct(), dst.getEmptySlots(), dst.getSystemSlots())
+            dpAct = dp.getAction(dst.getLastUserAct(), dst.getEmptySlots(), dst.getSystemSlots(), dst.getSlotsWithValues())
             print(dpAct)
-            # todo update DST system act
+            # TODO update DST system act
 chatbot()

tasks/zad5/Readme.md

@@ -10,9 +10,9 @@
 | area             | preferred place to sit          | [front, middle] OR [random, aisle]
 | interval         | time interval                   | w tym tygodniu OR w następnym tygodniu
 | goal             | users goal in system            | chciałbym zarezerwować(opcjonalne) OR jakie filmy gracie
+| reservation_id   | reservation number              | 32453758
 | tickets_type -   | tickets types and quantities    | [normal, 1] OR [[student, 2], [normal, 1]]
 | location -       | location of cinema              | Poznań Plaza OR Multikino 51
-| reservation_id - | reservation number              | 32453758
  
 
 

tasks/zad8/pl/dataSentence/test.tsv

@@ -0,0 +1,33 @@
+Dzień dobry.   	hello
+Jakie filmy są w tym tygodniu w repertuarze? 	reqmore
+O której godzinie w piątej mogę zobaczyć Na noże?	reqmore inform
+Ok, w takim razie chciałbym zarezerwować 2 miejsca na seans o 19:30.	inform
+Dwa normalne.	inform
+Mogą być.	ack
+Dziękuje bardzo.	bye
+Witam	hello
+Chciałbym zarezerować dwa bilety na Batman	inform
+A kiedy jest najbliższy seans?	inform
+To poproszę trzy bilety na batmana o 15:30	inform
+Na samym tyle sali	inform
+Dziękuję	thankyou
+Hej	hello
+Chciałbym kupić bilety na seans Zorro - jak to było na prawdę	inform
+Zorro2	inform
+Poproszę o listę seansów	reqmore
+Poproszę o listę filmów granych jutro wieczorem	reqmore inform
+Chciałbym kupić bilety na film To nie wypanda	inform
+20:15	inform
+11	inform
+W środku, pomiedzy górnym i środkowym rzędzie	
+W środku, pomiedzy górnym i środkowym rzędem	inform
+<3	thankyou
+Dzień dobry	hello
+Chciał bym zamówić bilet na film Minionki dzisiaj o 18.30	inform
+czy jest jakis film o godzinie 18:30?	reqmore
+niech będzie	ack
+1	inform
+jakie sš dostępne ulgi?	
+studencka  	inform
+daleko od ekranu	inform
+tak	ack

tasks/zad8/pl/dataSentence/train.tsv

@@ -0,0 +1,330 @@
+Tak.	inform
+Normalny.	reqmore
+ Super, poproszę by miejsca były obok siebie.	inform
+Super, czy można płacić z góry?	reqmore
+Ok, czy bilety mam już zarezerwowane?	reqmore
+ Super, dziękuję.	bye
+Dzień dobry.    	hello
+Chcę zarezerwować bilety.   	inform
+Dzisiaj.    	inform
+16:30:00	infomrm
+Cześć.	hello
+Chciałbym anulować rezerwację biletu.	inform
+Numer 42069.	inform
+Numer 42068.	inform
+Numer 42067.	inform
+Chciałbym anulować rezerwację biletu dla imienia i nazwiska Jan Kowalski	inform
+Nie pamiętam. Czy mogę podać e-mail?    	reqmore
+elo.	hello
+Chciałbym kupić bilety na seans Zorro - jak to było na prawdę.	inform
+Poproszę listę filmów granych jutro wieczorem	reqmore inform
+Chciałbym kupić bilety na Transformers.	inform
+Tak, chcę dwa bilety za 2 dni.	inform
+Normalne.	inform
+Przy oknie, w przedziale.	
+Wagon z przedziałami, miejsce przy oknie.	
+Tak, ale bardziej z góry.	inform
+Exit.	bye
+Kim jesteś?	help
+Co gracie?	reqmore
+Jaki Zorro?	reqmore
+W jakich godzinach gracie Zorro?	reqmore
+Chciałbym zarezerwować bilety na Batmana.	inform
+21.03.2022.	inform
+23.03.2022.	inform
+Super.	ack
+13:00	inform
+1 normalny.	inform
+Blisko ekranu.	inform
+Dziękuję, do usłyszenia.	bye
+Dzień dobry.	hello
+chciałbym się dowiedzieć jaki jest cennik.	reqmore
+A jest zniżka studencka?	reqmore
+a co leci dzisiaj w kinie?	reqmore inform
+o której jest na noże?	reqmore inform
+poproszę dwa bilety na 12	inform
+a jakie są?	reqmore
+2 ulgowe poprosze.	inform
+jakie są wolne miejsca?	reqmore
+Tak.	ack
+Chciałbym 3 bilety na batmana na jtro.	inform
+coś koło południa.	reqmore
+nic później?	reqalts
+To ten o 19.	inform
+2 ulgowe.	inform
+z przodu.	inform
+ale jakie miejsca??	reqmore
+Dzień dobry.	hello
+Chciałabym zarezerwować bilet do kina.	inform
+Dziś.	inform
+Proszę na batmana.	inform
+Proszę o godzine 20:19.	inform
+ulogwy.	inform
+1.	impl-conf inform
+z tyłu, na środku (aby ekran był centralnie widoczny).	inform
+dobrze, dziekuję. 	bye
+Witam	hello
+Co potrafisz?	help
+Jakie są najbliższe seanse?	inform
+A jakie są dostępne?	reqmore
+A w jakim to kinie?	request
+A gdzie jest to kino?	reqmore
+O której grają Uncharted?	reqmore inform
+Ile kosztują bilety na ten film?	request
+A w jaki dzień bielty są tańsze?	reqmore
+w takim razie chciałbym zarezerwować dwa bilety normalne i jeden ulgowy na środę 20:00	inform
+Na środku sali	inform
+ok	ack
+Witam	hello
+Jaki jest repertuar na piątek?	reqmore inform
+O jakich godzinach grają te filmy?	reqmore
+Wszystkie	ack
+Czy obgługujecie rezerwację biletów grupowych?	request
+Rozumiem, a jak mogę dokonać rezerwacji dla 20 osób?	reqmore
+Tak	affirm
+dziękuję	ack
+Witam	hello
+Czy w kinie Rialto grają jakieś stare filmy?	reqmore
+to dziękuję	thankyou
+Witam	hello
+Czy tylko można u was rezerwować Nachos ?	
+Chciałbym zapytać co u pana	hello
+Poproszę bilet na batmana o 19:00	inform
+bez ludzi w okolicy 	inform
+Czy to wszystko 	affirm
+Dzień dobry!	hello
+Chciałbym zarezerwować film 	
+Bilet na film	inform
+Jakie filmy są teraz w kinach?	request
+poproszę 3x bilet na ambulans	inform
+niech będzie ten ostatni	inform
+Przedostatnim	inform
+Spoko	ack
+Chciałbym jeszcze kupon na jedzenie	
+Poproszę słony popcorn	
+Duży	
+Nara	bye
+Dzień dobry	hello
+Chciał bym zamówić bilet na film Minionki dzisiaj o 18.30	inform
+to poprosze ups 2	inform
+na dzisiaj	inform
+najlepiej 18.30	inform
+poprosze 18	inform
+jakie są dostępne miejsca?	request
+które miejsca są daleko od ekranu?	reqmore
+w takim razie poproszę M5	inform
+dziekuje	thankyou
+Cześć	hello
+Co mogę zarezerwować?	reqmore
+Gdzie znajduje się kino?	request
+Tak, chciałbym iść do multikina na Malcie	inform
+Super, teraz chciałbym zarezerwować bilet na film	inform
+Uncharted	inform
+wybieram godzine 12:00	inform
+1 miejsce, gdzieś na środku sali	inform
+Pasuje	ack
+Elo	help
+Chciałabym zarezerwować bilet 	inform
+Co gracie 	request
+Ja bym chciała na Fantsaczne zwierzta	inform
+29.03.2022	inform
+Jakoś wieczorkiem 	inform
+To na 21 prosze	inform
+To na 18 proszę	inform
+Najlepsze 	inform
+Moment no ile tych miejsc i czemu nie są w tym samym rzędzie 	reqmore
+proszę z managerem 	
+Jeden dla mnie i dla kotka proszę	inform
+Dobra, to blikiem proszę	
+Halo halo 	
+nie skończyłam 	
+Ehhh	
+DZIEŃ DOBRY 	hello
+No właśnie. W czym możesz pomóc?	help
+A jedzonko macie?	reqmore
+Nachosy proszę	reqmore
+A jakie sosy do Nachosów?	reqmore
+Chciałabym anulować rezerwację	inform
+123123	inform
+Dzięki <3 	thankyou
+Dzień dobry	hello
+Chciałabym zmienić rezerwację	inform
+123123	inform
+Upewniam się	ack
+Dzień dobry	hello
+Chciałbym zarezerwować bilety	inform
+batman	inform
+dzisiaj	inform
+podaj więcej informacji o seansach	reqmore
+podaj więcej informacji o seansie o 15.20	reqmore
+czy film jest 2D czy 3D?	reqmore
+podaj informacje o napisach/dubbingu	reqmore
+Cześć	hello
+Chciałbym zarezwsfsgf bilet	
+Chciałbym zarezerwować bilet	inform
+Jakie są wyświetlane w najbliższą sobotę?	reqmore
+W których godzinach grany jest film To nie wypanda?	reqmore inform
+W takim razie chciałbym kupić 3 bilety, jeśli możliwe miejsca koło siebie	inform
+Najbliższa sobota	inform
+Godzina 19:30	inform
+Najlepiej w ostatnim rzędzie	inform
+Chciałbym zapłacić przy odbiorze	reqmore
+Czy moja rezerwacja została potwierdzona?	reqmore
+84372	inform
+Nie	negate
+Dzień dobry	hello
+Chciałbym dowiedzieć się jakie filmy są wyświetlane w tym tygodniu.	reqmore
+W jakich godzinach mogę zobaczyć Batmana w piątek?	reqmore inform
+Chciałbym zarezerwować 3 miejsca na seans o 17:45	inform
+Czy są dostępne miejsca w tylnych rzędach?	reqmore inform
+Ok	affirm inform
+Dziękuję, do widzenia	bye thankyou
+Dzień dobry, chciałbym anulować rezerwację	hello inform
+87574	inform
+Potwierdzam	affirm
+Cześć	hello
+Nie możesz	thankyou
+Dzień dobry, Systemie	hello
+Chciałbym kupić nachos	reqmore
+Jak mogę się do takiej strefy dostać?	reqmore
+W jakim mieście?	reqmore
+Czy można zarezerwować u was bilety na seans?	reqmore
+Jakie polecasz?	reqmore
+Jaką ocenę posiada Batman?	reqmore
+Dobrze. Chciałbym zatem zarezerwować bilet na Innych Ludzi	inform
+22.03.2022	inform
+Jutro, po godzinie 16:00	inform
+Jaki jutro jest dzień tygodnia?	request
+To poproszę o rezerwację na 17:45	inform
+17:45	inform
+Z tyłu sali, nie na samym końcu	inform
+W jakiej części rzędu znajduje się to miejsce?	request
+Dziękuję	thankyou
+Dzień dobry	hello
+chciałbym kupić dwa bilety na batmana	inform
+jutro	inform
+poproszę na 20:30	inform
+z tyłu	inform
+w jakiej cenie są bilety?	help
+są zniżki studenckie?	help
+mógłbym kupić bilety?	reqmore
+batman - chciałbym kupić zarezerwowane miejsca	reqmore inform
+dobrze czy wystarczy zachować numer rezerwacji?	reqmore
+dobrze	ack
+witam	hello
+jakie są jutro filmy?	reqmore inform
+o ktorej jest nasze magiczne encanto?	reqmore inform
+poproszę 3 bilety na 18:20	inform
+na środku	inform
+poproszę jeszcze jedno miejsce obok	inform
+dziekuje	thankyou
+do widzenia	bye
+Co dziś leci	reqmore inform
+Co jest dobre dla dzieci	reqmore
+"Poproszę 2 na ""to nie wypanda"""	inform
+a z przodu gdzieś	inform
+eee a o której??	request
+Dzień dobry	hello
+Chciałabym zarezerwować bilet do kina	inform
+Wyjdż za mnie	inform
+The batman	inform
+Dziś wieczorem	inform
+Proszę o godzinie 20:15	inform
+z tyłu, na środku (aby ekran był centralnie widoczny)	inform
+Dobrze, dziękuję	thankyou
+cześć	hello
+chciałbym sprawdzić repertuar kin	reqmore
+na dzisiaj	inform
+Witam 	hello
+Jakie sš najbliższe seanse?	reqmore
+W jakim to kinie?	reqmore
+A gdzie jest to kino?	reqmore
+Ile kosztujš bilety na Inni ludzie?	reqmore
+oba	inform
+A w jaki dzień bilety sš tańsze?	reqmore
+W takim razie chciałbym zarezerwować dwa bilety na czwartek na film Inni Ludzie	inform
+Jeden normalny i ulgowy	inform
+Na środku Sali	inform
+Chciałem zarezerwować dwa miejsca	reqmore
+Zgadzam się	infrom
+Tak	inform
+Jaki jest koszt tej rezerwacji?	reqmore
+A ile kosztuje bilety łącznie?	reqmore
+ok. Dziękuję	ack
+Witam	hello
+Chciałbym zarezerwować bilet ale nie wiem na co.	inform
+Czy film Historia mojej żony jest ciekawy ?	reqmore
+Dobrze to poproszę	inform
+Ulgowy	inform
+czy jest jakaś maksymalna liczba ?	reqmore
+to poproszę 100	inform
+tak jak powiedziałem ulgowe	inform
+środek Sali	inform
+tak   	confirm
+Nie dziękuje	negate confirm
+Dzień dobry!	hello
+Chciałbym zarezerwować seans. Bilet na seans	inform
+Jakie filmy są obecnie na ekranach?	reqmore
+Sobota	inform
+Poproszę 2 bilety na innych ludzi	inform
+jeden ulgowy i jeden zwykły	inform infrom
+Na środku Sali	infrom
+Pewnie	ack
+czy te miejsca sš obok siebie?	reqmore
+Dzień dobry	hello
+Chciałabym zarezerwować bilety	inform
+Jaki film jest grany jutro w godzinach popołudniowych?	request
+Czy sš wcześniejsze seanse?	reqmore
+W takim razie chcę zarezerwować bilety na Psie Pazury	inform
+Komu przysługuje ulga?	
+Kim jest senior?	
+W takim razie chcę zarezerwować normalne bilety na Psie Pazury	inform
+Na środku	inform
+3	inform
+Tak	ack
+Ale chciałam 3 bilety	negate
+zgadzam się	ack
+tak	ack
+nier	negate
+tak	ack
+nie 	
+Dzień dobry	hello
+Chciałbym dowiedzieć się jaki jest aktualnie repertuar	request
+Jutro jest w repertuarze film inni ludzie?	request
+Ile kosztuje bilet na ten film?	request
+ulogwy	
+W górnej części sali	inform
+Gdzie znajduje się to miejsce względem ekranu?	reqmore
+Chciałbym na środku	inform
+zgadzam	ack
+jaka jest cena?	reqmore
+Dobrze, rezerwuje	ack
+Chciałbym anulować rezerwację	deny
+Dziekuje	bye
+Cześć 	hello
+Co można u was zjeść?	request
+Co można obejrzeć w kwietniu	request
+kiedy gracie DKF zamek?	request
+poproszę dwa bilety ulgowe na  25/04/2022 12:15 15:50	inform
+pierwszy rzšd po lewej stronie	inform
+Tak	ack
+zgadzam się	ack
+Jaki jest numer mojej rezerwacji	reqmore
+Dziękuję systemie	thankyou
+Siema	hello
+Chcę iść do kina	inform
+Co gracie	request
+To na fdantastyczne zwierznera prosze	inform
+A co macie	request
+A na za tydzień?	request
+To na za tydzień na cud guadalupe proszę	inform
+To na coś innego	request
+Dzisiaj	inform
+Zaskocz mnie	
+No to jakoś niech będzie jakoś to będzie	inform
+Jeden dla mnie, drugi dla kota	
+To jeden będzie	infrom
+normalny  	
+na środku gdzieś	inform
+Niech będzie	ack
+jakieś potwierdzenie rezerwacji dostanę czy mogę po prostu wejść i usišść?	request

tasks/zad8/pl/intentClassification.py

@@ -1,9 +1,19 @@
 import pandas as pd
+from sympy import true
 
 def flatten(t):
     return [item for sublist in t for item in sublist]
 
-def getData():
+# def getStrCleaned(rawMessage):
+#         # / and : is needed for date and time recognition
+#         punctuation = '!"#$%&\'()*+,-.;<=>?@[\\\\]^_`{|}~'
+#         messageLower = rawMessage.lower()
+#         # new_str = re.sub(' +', ' ', new_str)
+#         for char in punctuation:
+#             messageLower = messageLower.replace(char,'')
+#         return messageLower.split()
+
+def getData(testData):
     Xdata = []
     Ydata = []
     pathOut = './tasks/zad8/pl/'
@@ -14,15 +24,27 @@ def getData():
     for i in range(16,20):
         for j in range(20):
             for nr in range(1,5):
-                fileName = pathIn + "dialog-" + str(i).zfill(2) + "-" + str(j).zfill(2) + "-" + str(nr).zfill(2) + ".tsv"
+                fileName = pathIn + "dialog-" + str(i).zfill(2) + "-" + str(j).zfill(2) + "-" + str(nr).zfill(2)
+                if testData: fileName += "(test)"
+                fileName += ".tsv"
                 try:
                     df = pd.read_csv(fileName, sep='\t', header=None, encoding="utf-8")
-                    Xdata.append(df[1].tolist())
-                    Ydata.append(df[2].tolist())
+                    dfSys = df[df[0] == "user"]
+                    dfSys.dropna()
+                    Xdata.append(dfSys[1].tolist())
+                    Ydata.append(dfSys[2].tolist())
+                    # Xdata = [getStrCleaned(x) for x in Xdata]
                 except:
                     pass
     return flatten(Xdata), flatten(Ydata)
 
-x,y = getData()
+x, y = getData(False)
+xTest, yTest = getData(True)
+dataTuples = list(zip(x, y))
+testDataTuples = list(zip(xTest, yTest))
 
-print(y)
+df = pd.DataFrame(dataTuples)
+dfTest = pd.DataFrame(testDataTuples)
+
+df.to_csv('tasks/zad8/pl/dataSentence/train.tsv', sep="\t", index=False, header=None)
+dfTest.to_csv('tasks/zad8/pl/dataSentence/test.tsv', sep="\t", index=False, header=None)

tasks/zad8/pl/train.conllu

@@ -11,8 +11,8 @@
 3	na	reqmore	NoLabel
 4	premierę	reqmore	NoLabel
 5	filmu	reqmore	NoLabel
-6	jakie	reqmore	B-goal
-7	premiery	reqmore	I-goal
+6	jakie	reqmore	B-question
+7	premiery	reqmore	I-question
 8	są	reqmore	NoLabel
 9	w	reqmore	B-interval
 10	tym	reqmore	I-interval
@@ -37,27 +37,27 @@
 2	17:30	inform	B-time
 			
 # text: są zniżki studenckie			
-# intent: reqmore			
+# intent: null			
 # slots: 			
-1	są	reqmore	NoLabel
-2	zniżki	reqmore	NoLabel
-3	studenckie	reqmore	NoLabel
+1	są	null	NoLabel
+2	zniżki	null	NoLabel
+3	studenckie	null	NoLabel
 			
 # text: super w takim razie poproszę studnecki			
-# intent: inform			
+# intent: null			
 # slots: 			
-1	super	inform	NoLabel
-2	w	inform	NoLabel
-3	takim	inform	NoLabel
-4	razie	inform	NoLabel
-5	poproszę	inform	NoLabel
-6	studnecki	inform	NoLabel
+1	super	null	NoLabel
+2	w	null	NoLabel
+3	takim	null	NoLabel
+4	razie	null	NoLabel
+5	poproszę	null	NoLabel
+6	studnecki	null	NoLabel
 			
-# text: 1x studencki   			
+# text: 1x bilet   			
 # intent: inform			
 # slots: 1x:quantity			
 1	1x	inform	B-quantity
-2	studencki	inform	NoLabel
+2	bilet	inform	NoLabel
 			
 # text: na środku			
 # intent: inform			
@@ -80,9 +80,9 @@
 1	tak	inform	NoLabel
 			
 # text: normalny			
-# intent: reqmore			
+# intent: null			
 # slots: 			
-1	normalny	reqmore	NoLabel
+1	normalny	null	NoLabel
 			
 # text:  super poproszę by miejsca były obok siebie			
 # intent: inform			
@@ -96,24 +96,24 @@
 7	siebie	inform	NoLabel
 			
 # text: super czy można płacić z góry			
-# intent: reqmore			
+# intent: help			
 # slots: 			
-1	super	reqmore	NoLabel
-2	czy	reqmore	NoLabel
-3	można	reqmore	NoLabel
-4	płacić	reqmore	NoLabel
-5	z	reqmore	NoLabel
-6	góry	reqmore	NoLabel
+1	super	help	NoLabel
+2	czy	help	NoLabel
+3	można	help	NoLabel
+4	płacić	help	NoLabel
+5	z	help	NoLabel
+6	góry	help	NoLabel
 			
 # text: ok czy bilety mam już zarezerwowane			
-# intent: reqmore			
+# intent: help			
 # slots: 			
-1	ok	reqmore	NoLabel
-2	czy	reqmore	NoLabel
-3	bilety	reqmore	NoLabel
-4	mam	reqmore	NoLabel
-5	już	reqmore	NoLabel
-6	zarezerwowane	reqmore	NoLabel
+1	ok	help	NoLabel
+2	czy	help	NoLabel
+3	bilety	help	NoLabel
+4	mam	help	NoLabel
+5	już	help	NoLabel
+6	zarezerwowane	help	NoLabel
 			
 # text:  super dziękuję			
 # intent: bye			
@@ -140,7 +140,7 @@
 1	dzisiaj	inform	B-date
 			
 # text: 16:30			
-# intent: infomrm			
+# intent: inform			
 # slots: 			
 1	16:30	inform	B-time
 			
@@ -153,7 +153,7 @@
 # intent: inform			
 # slots: 			
 1	chciałbym	inform	NoLabel
-2	anulować	inform	NoLabel
+2	anulować	inform	B-goal
 3	rezerwację	inform	NoLabel
 4	biletu	inform	NoLabel
 			
@@ -161,25 +161,25 @@
 # intent: inform			
 # slots: 			
 1	numer	inform	NoLabel
-2	42069	inform	NoLabel
+2	42069	inform	reservation_id
 			
 # text: numer 42068			
 # intent: inform			
 # slots: 			
 1	numer	inform	NoLabel
-2	42068	inform	NoLabel
+2	42068	inform	reservation_id
 			
 # text: numer 42067			
 # intent: inform			
 # slots: 			
 1	numer	inform	NoLabel
-2	42067	inform	NoLabel
+2	42067	inform	reservation_id
 			
 # text: chciałbym anulować rezerwację biletu dla imienia i nazwiska jan kowalski			
 # intent: inform			
 # slots: 			
 1	chciałbym	inform	NoLabel
-2	anulować	inform	NoLabel
+2	anulować	inform	B-goal
 3	rezerwację	inform	NoLabel
 4	biletu	inform	NoLabel
 5	dla	inform	NoLabel
@@ -190,14 +190,14 @@
 10	kowalski	inform	NoLabel
 			
 # text: nie pamiętam czy mogę podać e-mail    			
-# intent: reqmore			
+# intent: null			
 # slots: 			
-1	nie	reqmore	NoLabel
-2	pamiętam	reqmore	NoLabel
-3	czy	reqmore	NoLabel
-4	mogę	reqmore	NoLabel
-5	podać	reqmore	NoLabel
-6	e-mail	reqmore	NoLabel
+1	nie	null	NoLabel
+2	pamiętam	null	NoLabel
+3	czy	null	NoLabel
+4	mogę	null	NoLabel
+5	podać	null	NoLabel
+6	e-mail	null	NoLabel
 			
 # text: elo			
 # intent: hello			
@@ -221,14 +221,14 @@
 12	prawdę	inform	NoLabel
 			
 # text: poproszę listę filmów granych jutro wieczorem			
-# intent: reqmore inform			
+# intent: reqmore			
 # slots: listęfilmów:goaljutro:date,wieczorem:interval			
-1	poproszę	reqmore inform	NoLabel
-2	listę	reqmore inform	B-goal
-3	filmów	reqmore inform	I-goal
-4	granych	reqmore inform	NoLabel
-5	jutro	reqmore inform	B-date
-6	wieczorem	reqmore inform	B-interval
+1	poproszę	reqmore	NoLabel
+2	listę	reqmore	B-question
+3	filmów	reqmore	I-question
+4	granych	reqmore	NoLabel
+5	jutro	reqmore	B-date
+6	wieczorem	reqmore	B-interval
 			
 # text: chciałbym kupić bilety na transformers			
 # intent: inform			
@@ -2369,11 +2369,11 @@
 7	12:15	inform	B-time
 8	15:50	inform	B-time
 			
-# text: pierwszy rzšd po lewej stronie			
+# text: pierwszy rząd po lewej stronie			
 # intent: inform			
-# slots: pierwszyrzšdpopolewej:area			
+# slots: pierwszyrządpopolewej:area			
 1	pierwszy	inform	B-area
-2	rzšd	inform	I-area
+2	rząd	inform	I-area
 3	po	inform	I-area
 4	lewej	inform	I-area
 5	stronie	inform	NoLabel