From 5ea0686b753d09556177f5497c946a4d782047e5 Mon Sep 17 00:00:00 2001 From: "Hannes R. Brunsch" Date: Sun, 22 Jan 2023 20:00:30 +0100 Subject: [PATCH] Am 19. Januar vor Druck nicht bearbeitete TODOs auskommentiert --- LaTeX/Chapters/5Solution.tex | 10 +++++----- 1 file changed, 5 insertions(+), 5 deletions(-) diff --git a/LaTeX/Chapters/5Solution.tex b/LaTeX/Chapters/5Solution.tex index 33c20d8..f4096e0 100644 --- a/LaTeX/Chapters/5Solution.tex +++ b/LaTeX/Chapters/5Solution.tex @@ -280,7 +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.} +%\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 @@ -363,11 +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} +%\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.} +%\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. @@ -383,8 +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.} +%\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}