Merge branch 'main' of github.com:Yagnap/BeLL-Question-Answering-auf-…

…Linked-Data-SNIK

Merge unbearbeitete last-minute TODOs und Druckversion

LaTeX/Chapters/5Solution.tex

@@ -280,6 +280,7 @@ \subsubsection{Anfängliche Konfiguration und Probleme}
 Dies muss geschehen, da die Antworten für manche Textbuchfragen alle transitiven Subklassen sind.
 
 Das kann mittels der folgenden Abfrage bewerkstelligt werden:
+\todo{das ist noch die alte Abfrage, die neue ist die mit ?s rdfs:subClassOf ?oo und ?s rdfs:subClassOf ?o.}
 \begin{lstlisting}[language=SPARQL]
   CONSTRUCT {?s ?p ?oo}
   FROM sniko:meta
@@ -362,11 +363,11 @@ \subsubsection{Training}
 Die Antworten der richtigen Lösung wurden schon vorher gespeichert und werden nun mit denen der Abfrage von QAnswer verglichen.
 
 Dann wird das trainierte Modell zurückgesetzt, die gegebenen Frage-Antwort-Paare bleiben jedoch erhalten.
-
+\todo{Ab hier gehört es zum Ergebniskapitel inklusive der ganzen Abbildungen}
 In \cref{plot:genfscore} sieht man, wie groß das F-Maß abhängig von der Fragenanzahl ist.
 Es sind zwei Datensätze dargestellt.
 Der eine wurde andere ausschließlich über die \ac{sparql}-generierten Frage-Antwort-Paare trainiert, beim anderen wurden die Lehrbuchfragen beim Training inkludiert.
-
+\todo{im diskussionskapitel bitte noch auf die Kurven verweisen und überlegen, warum die so aussehen könnten und ob das normal ist und was das bedeutet.}
 Am Anfang, als noch gar keine oder nur sehr wenige Fragen zum Training verwendet wurden, ist das F-Maß eher gering.
 Besonders beim Training mit den Lehrbuchfragen liegt es bei dem Modell ohne Training deutlich unter 30\%.
 Ab 30 Fragen nähert es sich den Werten des Trainings ohne die Lehrbuchfragen an und übersteigt diese bei 40 Fragen erstmals.
@@ -382,7 +383,8 @@ \subsubsection{Training}
 Anfangs ist der Wert durchschnittlich etwas geringer als später, aber immer noch fast überall über 50\%.
 Ab etwa 100 Fragen erreicht es ein Niveau zwischen 80\% und 90\%, auf dem es bleibt.
 Ab 510 bzw. 560 Fragen kommt es jedoch zu zu größeren Ausreißern, die teilweise bis auf 11\% heruntergehen.
-
+\todo{die Ergebniskurven auf den Trainingsdaten wären auch interessant, die Plots zeigen ja alle die auf den Trainingsdaten oder? Die sind natürlich die
+wichtigsten aber als Zusatz wäre es gut wenn du es noch schaffst.}
 % F-Score
 \begin{figure}%[h!]
   \begin{center}
@@ -574,4 +576,4 @@ \subsubsection{Training}
     \end{tikzpicture}
     \caption{Durchschnittlicher Confidence-Wert QAnswers bei den Lehrbuchfragen im Testset in Abhängigkeit zur Anzahl der generierten Trainingsfragen.}\label{plot:textconfidence}
   \end{center}
-\end{figure}
+\end{figure}