forked from shilad/wikibrain
-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathreference.conf
741 lines (674 loc) · 19 KB
/
reference.conf
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
// A default configuration file in HOCON format, almost JSON format
// The file format is described at https://github.com/typesafehub/config.
// Parent directory for data files, downloads, scripts, etc.
baseDir : .
// Directory used for temporary files.
// Override this if you don't have hundreds of GBs free in your system's tmp directory.
tmpDir : ${baseDir}"/.tmp"
// Maximum number of threads that should run simultaneously
// defaults to Runtime.getRuntime().availableProcessors()
maxThreads : -1
// Language sets
// You can specify a custom language set from the command line.
// See EnvBuilder for more information.
languages : {
// by default use the languages that have local pages
default : loaded
// languages that have local pages loaded
loaded : { type : loaded }
// languages that have downloaded articles files
downloaded : { type : downloaded }
// the largest world economies
big-economies : {
type : custom
langCodes : [
"en","de","fr","nl","it","pl","es","ru","ja","pt","zh",
"sv","uk","ca","no","fi","cs","hu","ko","id","tr","ro",
"sk","da","he","simple"
]
}
// the english languages
all-english : {
type : custom
langCodes : ["en", "simple"]
}
// This can be dynamically populated using the EnvBuilder or command line
manual : {
type : custom
langCodes : []
}
}
// Filesets downloaded by default
download : {
matcher : ["articles", "links"]
path : ${baseDir}"/download"
listFile : ${download.path}"/list.tsv"
}
// Configuration for the lucene search engine.
lucene : {
version : "4.3"
directory : ${baseDir}"/db/lucene"
options : {
default : plaintext
plaintext : {
type : plaintext
version : ${lucene.version}
directory : ${lucene.directory}
namespaces : ["article"]
// TokenizerOptions
caseInsensitive : true
useStopWords : true
useStem : true
// TextFieldElements
title : 0
redirects : false
plaintext : true
}
esa : {
type : esa
version : ${lucene.version}
directory : ${lucene.directory}
namespaces : ["article"]
// TokenizerOptions
caseInsensitive : true
useStopWords : true
useStem : true
// TextFieldElements
title : 1
redirects : true
plaintext : true
}
}
searcher : {
esa : {
options : esa
}
}
}
// multilingual string normalizers
stringnormalizers {
default : identity
// do nothing
identity : {
type : identity
}
// remove punctuation
simple : {
type : lucene
version : ${lucene.version}
caseInsensitive : false
useStopWords : false
useStem : false
}
// removes punctuation, folds case
foldcase : {
type : lucene
version : ${lucene.version}
caseInsensitive : true
useStopWords : false
useStem : false
}
// fold case, porter stemming
stemmer : {
type : lucene
version : ${lucene.version}
caseInsensitive : true
useStopWords : false
useStem : true
}
}
// phrase analyzers resolve phrases to articles and vice-versa
phrases {
// whether or not the phrase analyzers are being loaded.
// will be overridden while saving corpora to the daos
loading : false
// Analyzers
analyzer : {
default : fast-cascading
stanford : {
phraseDao : stanford
localPageDao : default
path : ${download.path}"/stanford-dictionary.bz2"
url : "http://www-nlp.stanford.edu/pubs/crosswikis-data.tar.bz2/dictionary.bz2"
type : stanford
phrasePruner : {
type : string
minCount : 3,
maxRank : 10,
minFraction : 0.001
}
pagePruner : {
type : simple
minCount : 3,
maxRank : 15,
minFraction : 0.001
}
}
anchortext : {
phraseDao : anchortext
localPageDao : default
localLinkDao : default
type : anchortext
phrasePruner : {
type : string
minCount : 1,
maxRank : 10,
minFraction : 0.001
}
pagePruner : {
type : simple
minCount : 1,
maxRank : 15,
minFraction : 0.001
}
}
lucene : {
type : lucene
localPageDao : default
}
cascading : {
type : cascading
delegates : [ "stanford", "lucene" ]
}
fast-cascading : {
type : cascading
delegates : [ "anchortext", "lucene" ]
}
}
// Daos store data associated with an algorithm and analyzer
dao {
stanford : {
isNew : ${phrases.loading}
path : ${baseDir}"/db/phrases/stanford"
type : objectdb
normalizer : default
}
anchortext : {
isNew : ${phrases.loading}
path : ${baseDir}"/db/phrases/anchortext"
type : objectdb
normalizer : default
}
}
}
// data access objects
dao : {
dataSource : {
default : h2
h2 : {
driver : org.h2.Driver
url: "jdbc:h2:"${baseDir}"/db/h2"
username : sa
password : ""
}
psql : {
driver : org.h2.Driver
url: "jdbc:postgresql://localhost/wikAPIdia"
username : grails
password : ""
}
}
metaInfo : {
default : sql
sql : {
type : sql
dataSource : default
}
live : {}
}
sqlCachePath : ${baseDir}"/db/sql-cache"
localPage : {
default : sql
sql : {
type : sql
dataSource : default
}
live : {
type : live
}
}
pageView : {
default : db
db : {
type : db
}
}
localLink : {
default : matrix
sql : {
type : sql
dataSource : default
}
matrix : {
type : matrix
delegate : sql
path : ${baseDir}"/db/matrix/local-link"
}
live : {
type : live
}
}
rawPage : {
default : sql
sql : {
type : sql
dataSource : default
localPageDao : sql
}
live : {}
}
wikidata : {
default : sql
sql : {
type : sql
dataSource : default
localPageDao : sql
}
live : {}
}
universalPage : {
default : sql
sql : {
type : sql
dataSource : default
}
live : {}
}
localCategory : {
sql : {
type : sql
dataSource : default
}
}
localArticle : {
sql : {
type : sql
dataSource : default
}
}
localCategoryMember : {
default : sql
sql : {
type : sql
dataSource: default
}
live : {
type : live
}
}
localArticle : {
default : sql
sql : {
type : sql
dataSource: default
}
live : {
type : live
}
}
localCategory : {
default : sql
sql : {
type : sql
dataSource: default
}
live : {
type : live
}
}
universalLink : {
default : sql
sql : {
type : sql
dataSource : default
localLinkDao : sql
}
skeletal-sql : {
type : skeletal-sql
dataSource : default
}
live : {}
}
redirect : {
default : sql
sql : {
type : sql
dataSource : default
}
live : {
type : live
}
}
}
mapper : {
default : monolingual
monolingual : {
type : monolingual
algorithmId : 0 // each algorithm must have a unique ID
localPageDao : sql
}
purewikidata : {
type : purewikidata
algorithmId : 1
localPageDao : sql
}
}
sr : {
disambig : {
default : similarity
topResult : {
type : topResult
phraseAnalyzer : default
}
topResultConsensus : {
type : topResultConsensus
phraseAnalyzers : ["lucene","stanford","anchortext"]
}
similarity : {
type : similarity
metric : inlinknotrain
phraseAnalyzer : default
// how to score candidate senses. Possibilities are:
// popularity: just popularity
// similarity: just similarity
// product: similarity * popularity
// sum: similarity + popularity
criteria : sum
}
}
concepts {
path : ${baseDir}"/dat/sr/concepts/"
}
// The parent configuration for all vector-based SR metrics
vectorbase {
type : vector
pageDao : default
disambiguator : default
// Concrete metrics must override the generator
generator : { type : OVERRIDE_THIS }
// Default vector similarity is cosine similarity
similarity : { type : cosine }
// Method for creating a feature vector for textual phrases
phrases : {
// coefficient penalize scores for each type of candidate
weights : {
dab : 1.0
sr : 0.5
text : 0.5
}
numCandidates {
used : 1 // number of candidates actually used
dab : 1 // number of disambiguation candidates
text : 0 // number of candidates text heuristic can propose
sr : 0 // number of related candidates sr heuristic can propose
perSr : 0 // number of candidates sr heuristic can propose per related candidate
}
// lucene analyzer used to find similar text
lucene : default
}
// normalizers
similaritynormalizer : percentile
mostsimilarnormalizer : percentile
// Controls how phrase vectors are created. Values can be:
// none: do not create phrase vectors. disambiguate instead.
// generator: ask the feature generator to create the phrase vectors
// creator: ask the phrase vector create to create the phrase vectors
// both: first ask the generator, then the creator
phraseMode : none
}
metric {
// when training, normalizers are not read from disk
training : false
path : ${baseDir}"/dat/sr/"
local : {
default : ensemble
ESA : ${sr.vectorbase} {
generator : {
type : esa
luceneSearcher : esa
concepts : ${sr.concepts.path}
}
similarity : { type : cosine }
phraseMode : generator
}
ESAnotrain : ${sr.vectorbase} {
generator : {
type : esa
luceneSearcher : esa
concepts : ${sr.concepts.path}
}
similarity : { type : cosine }
similaritynormalizer : identity
mostsimilarnormalizer : identity
phraseMode : generator
}
outlink : ${sr.vectorbase} {
generator : {
type : links
outLinks : true
}
similarity : {
type : google
}
}
inlink : ${sr.vectorbase} {
generator : {
type : links
outLinks : false
}
similarity : {
type : google
}
}
inlinknotrain : ${sr.vectorbase} {
generator : {
type : links
outLinks : false
}
similarity : {
type : google
}
similaritynormalizer : identity
mostsimilarnormalizer : identity
}
fast-ensemble : {
type : ensemble
metrics : ["milnewitten","milnewittenout"]
similaritynormalizer : identity
mostsimilarnormalizer : identity
ensemble : linear
disambiguator : default
pageDao : default
}
ensemble : {
type : ensemble
metrics : ["ESA","inlink","outlink","categorygraphsimilarity"]
similaritynormalizer : percentile
mostsimilarnormalizer : percentile
ensemble : linear
resolvephrases : false
disambiguator : default
pageDao : default
}
super-ensemble : {
type : ensemble
metrics : ["ESA","inlink","outlink","categorygraphsimilarity","mostsimilarcosine"]
similaritynormalizer : percentile
mostsimilarnormalizer : percentile
ensemble : linear
resolvephrases : false
disambiguator : default
pageDao : default
}
mostsimilarcosine : ${sr.vectorbase} {
generator : {
type : mostsimilarconcepts
basemetric : ensemble
concepts : ${sr.concepts.path}
}
}
categorysimilarity :{
type : categorysimilarity
disambiguator : default
pageDao : default
categoryMemberDao : default
similaritynormalizer : percentile
mostsimilarnormalizer : percentile
}
categorygraphsimilarity :{
type : categorygraphsimilarity
disambiguator : default
pageDao : default
categoryMemberDao : default
similaritynormalizer : percentile
mostsimilarnormalizer : percentile
}
}
universal : {
default : UniversalMilneWitten
UniversalMilneWitten : {
type: UniversalMilneWitten
disambiguator : default
linkDao : default
pageDao : default
outLinks : false
similaritynormalizer : loess
mostsimilarnormalizer : rank
}
}
}
ensemble {
default : linear
even : {
type : even
}
linear : {
type : linear
}
}
normalizer {
defaultmaxresults : 100
identity : {
type : identity
}
logLoess : {
type : loess
log : true
}
loess : {
type : loess
}
log : {
type : log
}
percentile : {
type : percentile
}
range : {
type : range
min : 0.0
max : 1.0
truncate : true
}
rank : {
type : rank
}
}
explanationformatter {
explanationformatter {
localpagedao : sql
}
}
dataset : {
dao : {
resource : {
type : resource
disambig : topResult
resolvePhrases : true
}
}
defaultsets : ["wordsim353.txt","MC.txt"]
groups : {
// large, commonly used datasets
major-en : ["wordsim353.txt", "MTURK-771.csv", "atlasify240.txt", "radinsky.txt"]
}
// pairs under this threshold won't be used for most similar training.
mostSimilarThreshold : 0.7
records : ${baseDir}"/dat/records/"
}
}
loader {
// Stages of the loading pipeline, used by PipelineLoader
stages : [
{
name : fetchlinks,
class : org.wikapidia.download.RequestedLinkGetter
onByDefault : true
extraArgs : [],
},
{
name : download,
class : org.wikapidia.download.DumpFileDownloader,
onByDefault : true
extraArgs : [],
},
{
name : dumploader,
class : org.wikapidia.dao.load.DumpLoader,
onByDefault : true
extraArgs : ["-d"],
},
{
name : redirects,
class : org.wikapidia.dao.load.RedirectLoader,
onByDefault : true
extraArgs : ["-d"],
},
{
name : wikitext,
class : org.wikapidia.dao.load.WikiTextLoader,
onByDefault : true
extraArgs : ["-d"],
},
{
name : sqllinks,
class : org.wikapidia.dao.load.SqlLinksLoader,
onByDefault : true
extraArgs : [],
},
{
name : lucene,
class : org.wikapidia.dao.load.LuceneLoader,
onByDefault : true
extraArgs : [],
},
{
name : concept,
class : org.wikapidia.dao.load.ConceptLoader,
onByDefault : true
extraArgs : ["-d"],
},
{
name : universal,
class : org.wikapidia.dao.load.UniversalLinkLoader,
onByDefault : true
extraArgs : ["-d"],
},
{
name : phrase,
class : org.wikapidia.dao.load.PhraseLoader,
onByDefault : true
extraArgs : ["-p", "anchortext"],
},
{
name : wikidata,
class : org.wikapidia.wikidata.WikidataDumpLoader,
onByDefault : false
extraArgs : ["-d"],
}
]
}
// backup for integration tests
integration {
dir : ${baseDir}"/backup"
}