From e65d3fa721e4d09df9ff86345e6e7c916f9cfc4a Mon Sep 17 00:00:00 2001
From: Sonja Huber <sonja.huber2@uzh.ch>
Date: Sat, 28 May 2022 09:48:00 +0200
Subject: [PATCH] Update README.md: add contents and workflow description

---
 README.md | 63 +++++++++++++++++++++++++++++++++++++++++++++++++++++--
 1 file changed, 61 insertions(+), 2 deletions(-)

diff --git a/README.md b/README.md
index abefefa..a6edcea 100644
--- a/README.md
+++ b/README.md
@@ -1,3 +1,62 @@
-# Bachelorarbeit
+# Sense Comparison
+
+Hier befinden sich die Python-Skripte, die ich für meine Bachelorarbeit _Diskursvergleich im Vektorraum. 
+Entwicklung einer Methode zur datengeleiteten Exploration eines Vektorraumes mittels Sense Embeddings_ 
+erstellt habe.
+
+### Inhalte des Repositories
+
+- **cluster_senses.py**: clustert Vektoren im Input. Kann verwendet werden, um den Output von 
+compare_senses.py gruppiert darzustellen.
+
+- **compare_senses.py**: vergleicht die Anzahl Senses von zwei Sense Embedding Modellen (vom Shared- 
+und Referenzkorpus) im Input. 
+
+- **count_types.py**: gibt die Anzahl types im Input aus.
+
+- **get_SE_NN.py**: gibt die 10 Nearest Neighbors aller Senses einer Wortform aus, die sich in zwei
+Modellen befinden. 
+
+- **get_sense_vecs.py**: schreibt die Vektorwerte von Sense-Tags im Input in eine eigene Datei
+
+- **get_types.py**: schreibt alle Senses (nur den tag, ohne Vektorwerte) aus einem Modell in eine neue Datei.
+
+- **tsv2txt.py**: extrahiert den Rohtext aus einem .tsv-file, das von Swissdox@LiRI heruntergeladen wurde.
+
+
+### Workflow
+
+Die genauen Angaben zu Input und Output befinden sich als Kommentare in den ersten Zeilen der Skripts.  
+
+1. **tsv2txt.py**: Um Rohdaten von Swissdox@LirI von tsv zu txt-Format zu konvertieren.
+
+2. den Shared-Korpus aus den beiden zu vergleichenden Korpora (zwei .txt-Dateien) erstellen
+
+3. mit der Software von **sense-gram**[^1] für alle drei Korpora Word- und Sense Embedding Modelle erstellen
+âš Es kann zu Fehlermeldungen kommen, weil einige Libraries inzwischen veraltet sind. Um das zu 
+lösen, müssen lokal einige Zeilen angepasst werden.
+[^1]:Panchenko, Alexander (2017–2021): sense-gram. Online unter: https://github.com/uhh-lt/sensegram <11.05.2022>.
+
+4. **compare_senses.py**: Nun werden Wortformen, die im Shared und Referenzmodell unterschiedliche Anzahl 
+Senses aufweisen, herausgefiltert.
+
+5. **get_sense_vecs.py**: die Vektoren, die zu den herausgefilterten Wortformen gehören, werden nun aus dem 
+Modell geholt, das zu dem zu vergleichenden Korpus gehört.
+
+Für eine darauffolgende Analyse bietet das Repository folgende Möglichkeiten:
+
+- Clustern von Vektoren mit **cluster_senses.py**
+
+- Ausgabe von Nearest Neighbors aller Senses einer Wortform aus zwei Modellen mit **get_SE_NN.py**
+
+
+
+Für Visualisierungen wurden in der Arbeit das Skript _we_pca_vis.py_ von KoDuP[^2] verwendet.
+[^2]: Lehrstuhl Bubenhofer UZH (2021–2022): KoDuP-Germanistik. Online unter: https://gitlab.uzh.ch/noah.bubenhofer/kodup-germanistik <12.05.2022>.
+
+
+
+
+-----
+
 
-Hier befinden sich die Python-Skripte, die ich für meine Bachelorarbeit zum Einsatz von Word Embeddings und insbesondere Sense-Grams in der korpusgestützten Diskurslinguistik erstellt habe.
\ No newline at end of file
-- 
GitLab