Guess a word in a gap in historic texts

Give a probability distribution for a word in a gap in a corpus of Polish historic texts spanning 1814-2013. This is a challenge for (temporal) language models.

The metric is log-loss calculated on 10-bit fingerprints generated with MurmurHash3 hash function.

Example

For instance, you are expected guess the word in the gap marked with ??????? here:

od każde ; aztuki blldła i trzod1l chlewnej , oczne opłatll , pr.re1DlIź ' zo jqce dóchody z chowu t ' Uch z1Diet ' zt1t . Nic wtęc dzfWM { 10 , że to betonowe .btarniki na obOrnik i gtlo ; ówkę wtlposożone jest każde holendenkie go- ' POdant1Do ' OIM i le holender , ka wid fl4ldll dzil to Iwiecie do fI4 ; bard % iej CZ ) llto i e- ' tetuczni.e ut , ztłmGnt / ch . 1V ft4 , zvm wojew6clzt1Die , mestett / , zbiornikami fUl / 7łłOjówkę dt / sponuje 2clled1DiC ! 15-20 proc. ogółu f1O , podorlltw chlop , kich , pozo .. talllch odchodU zwierzęce ob6r i chlew ni w znacznej częlci spluwajq do ' tawów , jezior , rzek , strumieni , bqdź wodami powle , zchniowlft ' ni 1Dproit do , tud ni , z których pijq wodę rolnict / i ich , odzint / . Wiei zatruwa lię IC1ma i truje lrod01Disko 1D ktÓł ' 1 / m wllpólnu t1 / jemt / . CZ1l nu fl4leźalobt / więc ' ięgnq do dolwiadczeń HoIQndił1 Nie pro pCntujem1 / konfukatt / QO ' POd4 " t1D lecz kar1 / 1D1Imłerzo tte niedbaluchom bcI , dzo bU .tę przt / daltl . Koszt zbi01 ' nika na gnojówkę nie je , t wtlloki i każd1 / , ol nik moźe 110 zbudowa wlc1 ! nt / mi , iłami . Karzu : łć będzie miar podwóJnq : c ' l / .tq wodę z włalnej , tudni i Ipore i ! olci gnojówki cennego na- 1DOZU , 1D1 / wożonego w beczkowozach i razlewaneQo lICI pola. sztucznych dla rolnictwa zwięk s się o 30 proc. a produkcja środków ochrony roślin trzykrotnie . W przC < ' hodżeniu na przemy słowe metody w produkcji roś ! innej I zWierzęcej rolnictwo NRD posiada już pewne doświadczenia , kt6re dostarezają np. ferma opasowa b ) ' dła w Ferdlnandshof , posiadająca 21 tys. stanowisk , kombinat tuczu w Eberswalde o ro < , znej produkeji ] 0 tys. ton mi sa , tuczarnia trzody chlewnej W ' 08 podarstwie PDftstwowym DI @ bensee z 12 tvs. st , nowi ! ; k sze r. wle ] kirh ferm kurt " ch , gos podantw m ] e ( ' znych itp . Prolet intensyfikacji I prze ksztakania produkcji ??????? jest wszechstronny i obejmuje wszystkie dziedziny : ! ycia wsi , jednym z podstawowych jed ak warunków Jest wkład przem ) ' słu w postaci dopływu przemysłowych środków produkcji . Obrazują to nast pują ce dane : wartość poc1st3wowyeh środk6w produkcji na jedn o członka lpółdzlelnl produk < ' yjnej Wynosiła dotych < , za s ' rednio 38 tys. marek , pod < , zas gdy w centrum agrochemicznym 150 do 200 tys. marek , a w zakładach tuczu przemysłowelto , zaletnie od ro dzaju zwier t 300-800 tys. marek . Traktory w kooperacji W : r.ruł. WD-ł ' m wojewOdztWi1e licz ! > . rolników , któr ' y łl ! c ąli ai4 : w ItUłi.uOIIobOwe zesp < > I ) ' , Wypo ; iyozaJI ! z t > .maszynowych ItCXeoll : n ) I.n1 , c ' ycł1 ClilanJJU lub cale zeIIiawy S ( u ' Z4 : u . W ub. rOku \ \ all ; llcłl & rup kooperuJllcyc.h. w zalulaie IneOhanil.ZlicJI było zaJedWte Iu.qll .iaJ.e. ol > e < : n : e je . Ich vo .. ad 1110 I & ku.plaJą one aokołtl $ lIję t ł = . ) I ! -ł-ko -ł \ \ l , CbowAldnl , k l1m.kim i .w , i < lwlnaklm . Zalltą t J torń : ly ut inla zes w6w m ...... ' > owych J & t prZ8 < le wlzYs " iUnl 0 .. - < 1.r. ; ej " ' ' ' ' ' I Inlczna ebpJ.oa \ \ aCJe clllll.llikuw , & .owi .. kaidJ " nlch pracuj « w DUl.u ioapociar atwach . Rolnic ' u.sta : 1aJI ! JrI , Ięuty bą koleJoojó pracy m.nyn. .1 ' 0 r.lalnym tpj , ac . , nlu .1- IUJortYZóicJl , obLi < .ozoneJ od warlo- > ci Sprzętu w momencie WypO yczanoi . , il ' Upa utytłGoWnl- ! t < > w ataJe a1ę w.dclclelem ma- .zyn. & zy lDu .. yn < > wI kółek ruwn : et zyskuJ " na tej transakcji , & .owiem nie mUA , tl I.rOtlZcitYć o obelUłi4 : wypożyczonych clllil1ikuw oru o k serwacJę I ! ' onty m ... y " , Drui4 , r6wnie-l cennll ! oc w " Pol ! , . aeT kóh , j ( z ' listą . " za ... nlle mechN1izac ; 1 II ! wypqj , , v " zab.i. IprZlltu w.warzyazllcęlC do C : IIIIUk6w , s \ \ .anowiącyClb WIUr : OK roJników . Takie wypntycza1n1e otwarto w w1ęJ \ \ ! o & O 601 .mbeemów z ich " .IUC lI & orzYltalo np. w 1 & 1 » . foKU okolo U. roJnikÓW. ct )

(Yes, there is a lot of OCR noise here!)

The period in which this text was published is also given (1973.1397-1973.1424 — dates are given using years with possible fractions).

(And the correct expected word here is rolnej.)

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 data for the dev set
dev-0/expected.tsv — expected (reference) data for the dev set
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 data for the dev set
dev-1/expected.tsv — expected (reference) data for the dev set
dev-1/meta.tsv.xz — metadata (do not use while testing)
test-A — directory with test data
test-A/in.tsv — input data for the test set
test-A/expected.tsv — expected (reference) 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 was 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

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.

Texts (in the train set as well as in the test sets) were tokenised with tokenizer.perl script from Moses MT system.

Format of the test sets

The input file consists of the following columns:

beginning of the period in which a text is known to be published,
end of the period in which a text is known to be published,
left context (before the gap),
right context (after the gap).

The expected.tsv file is just a list of words to be filled in the gaps.

Format of the output files

For each input line, a probability distribution for words in a gap must be given:

word1:logprob1 word2:logprob2 ... wordN:logprobN :logprob0

where logprobi is the logarithm of the probability for wordi and logprob0 is the logarithm of the probability mass for all the other words (it will be spread between all 1024 fingerprint values). If the respective probabilities do not sum up to 1, they will be normalised with softmax.

Note: the separator here is space, not TAB!

7.7 KiB Raw Permalink Blame History