summaryrefslogtreecommitdiff
path: root/gi/posterior-regularisation/em.cc
blob: f6c9fd6809e88d2c8b6879db18e828d720cf5a83 (plain)
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
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
// Input of the form:
// " the phantom of the opera "    tickets for <PHRASE> tonight ? ||| C=1 ||| seats for <PHRASE> ? </s> ||| C=1 ||| i see <PHRASE> ? </s> ||| C=1
//                      phrase TAB [context]+
// where    context =   phrase ||| C=...        which are separated by |||

// Model parameterised as follows:
// - each phrase, p, is allocated a latent state, t
// - this is used to generate the contexts, c
// - each context is generated using 4 independent multinomials, one for each position LL, L, R, RR

// Training with EM:
// - e-step is estimating P(t|p,c) for all x,c
// - m-step is estimating model parameters P(p,c,t) = P(t) P(p|t) P(c|t)

// Sexing it up:
// - constrain the posteriors P(t|c) and P(t|p) to have few high-magnitude entries
// - improve the generation of phrase internals, e.g., generate edge words from
//   different distribution to central words

#include "alphabet.hh"
#include "log_add.hh"
#include <algorithm>
#include <fstream>
#include <iostream>
#include <iterator>
#include <map>
#include <sstream>
#include <stdexcept>
#include <vector>
#include <tr1/random>
#include <tr1/tuple>
#include <nlopt.h>

using namespace std;
using namespace std::tr1;

const int numTags = 5;
const int numIterations = 100;
const bool posterior_regularisation = true;
const double PHRASE_VIOLATION_WEIGHT = 10;
const double CONTEXT_VIOLATION_WEIGHT = 0;
const bool includePhraseProb = false;

// Data structures:
Alphabet<string> lexicon;
typedef vector<int> Phrase;
typedef tuple<int, int, int, int> Context;
Alphabet<Phrase> phrases;
Alphabet<Context> contexts;

typedef map<int, int> ContextCounts;
typedef map<int, int> PhraseCounts;
typedef map<int, ContextCounts> PhraseToContextCounts;
typedef map<int, PhraseCounts> ContextToPhraseCounts;

PhraseToContextCounts concordancePhraseToContexts;
ContextToPhraseCounts concordanceContextToPhrases;

typedef vector<double> Dist;
typedef vector<Dist> ConditionalDist;
Dist prior; // class -> P(class)
vector<ConditionalDist> probCtx; // word -> class -> P(word | class), for each position of context word
ConditionalDist probPhrase; // class -> P(word | class)
Dist probPhraseLength; // class -> P(length | class) expressed as geometric distribution parameter

mt19937 randomGenerator((size_t) time(NULL));
uniform_real<double> uniDist(0.0, 1e-1);
variate_generator< mt19937, uniform_real<double> > rng(randomGenerator, uniDist);

void addRandomNoise(Dist &d);
void normalise(Dist &d);
void addTo(Dist &d, const Dist &e);
int argmax(const Dist &d);

map<Phrase, map<Context, int> > lambda_indices;

Dist conditional_probs(const Phrase &phrase, const Context &context, double *normalisation = 0);
template <typename T>
Dist
penalised_conditionals(const Phrase &phrase, const Context &context, 
                       const T &lambda, double *normalisation);
//Dist penalised_conditionals(const Phrase &phrase, const Context &context, const double *lambda, double *normalisation = 0);
double penalised_log_likelihood(int n, const double *lambda, double *gradient, void *data);
void optimise_lambda(double delta, double gamma, vector<double> &lambda);
double expected_violation_phrases(const double *lambda);
double expected_violation_contexts(const double *lambda);
double primal_kl_divergence(const double *lambda);
double dual(const double *lambda);
void print_primal_dual(const double *lambda, double delta, double gamma);

ostream &operator<<(ostream &, const Phrase &);
ostream &operator<<(ostream &, const Context &);
ostream &operator<<(ostream &, const Dist &);
ostream &operator<<(ostream &, const ConditionalDist &);

int
main(int argc, char *argv[])
{
    randomGenerator.seed(time(NULL));

    int edges = 0;
    istream &input = cin;
    while (input.good())
    {
        // read the phrase
        string phraseString;
        Phrase phrase;
        getline(input, phraseString, '\t');
        istringstream pinput(phraseString);
        string token;
        while (pinput >> token)
            phrase.push_back(lexicon.insert(token));
        int phraseId = phrases.insert(phrase);

        // read the rest, storing each context
        string remainder;
        getline(input, remainder, '\n');
        istringstream rinput(remainder);
        Context context(-1, -1, -1, -1);
        int index = 0;
        while (rinput >> token)
        {
            if (token != "|||" && token != "<PHRASE>")
            {
                if (index < 4)
                {
                    // eugh! damn templates
                    switch (index)
                    {
                        case 0: get<0>(context) = lexicon.insert(token); break;
                        case 1: get<1>(context) = lexicon.insert(token); break;
                        case 2: get<2>(context) = lexicon.insert(token); break;
                        case 3: get<3>(context) = lexicon.insert(token); break;
                        default: assert(false);
                    }
                    index += 1;
                }
                else if (token.find("C=") == 0)
                {
                    int contextId = contexts.insert(context);
                    int count = atoi(token.substr(strlen("C=")).c_str());
                    concordancePhraseToContexts[phraseId][contextId] += count;
                    concordanceContextToPhrases[contextId][phraseId] += count;
                    index = 0;
                    context = Context(-1, -1, -1, -1);
                    edges += 1;
                }
            }
        }

        // trigger EOF
        input >> ws;
    }

    cout << "Read in " << phrases.size() << " phrases"
         << " and " << contexts.size() << " contexts"
         << " and " << edges << " edges"
         << " and " << lexicon.size() << " word types\n";

    // FIXME: filter out low count phrases and low count contexts (based on individual words?)
    // now populate model parameters with uniform + random noise
    prior.resize(numTags, 1.0);
    addRandomNoise(prior);
    normalise(prior);

    probCtx.resize(4, ConditionalDist(numTags, Dist(lexicon.size(), 1.0)));
    if (includePhraseProb)
        probPhrase.resize(numTags, Dist(lexicon.size(), 1.0));
    for (int t = 0; t < numTags; ++t)
    {
        for (int j = 0; j < 4; ++j)
        {
            addRandomNoise(probCtx[j][t]);
            normalise(probCtx[j][t]);
        }
        if (includePhraseProb)
        {
            addRandomNoise(probPhrase[t]);
            normalise(probPhrase[t]);
        }
    }
    if (includePhraseProb)
    {
        probPhraseLength.resize(numTags, 0.5); // geometric distribution p=0.5
        addRandomNoise(probPhraseLength);
    }

    cout << "\tprior:     " << prior << "\n";
    //cout << "\tcontext:   " << probCtx << "\n";
    //cout << "\tphrase:    " << probPhrase << "\n";
    //cout << "\tphraseLen: " << probPhraseLength << endl;

    vector<double> lambda;

    // now do EM training
    for (int iteration = 0; iteration < numIterations; ++iteration)
    {
        cout << "EM iteration " << iteration << endl;

        if (posterior_regularisation)
            optimise_lambda(PHRASE_VIOLATION_WEIGHT, CONTEXT_VIOLATION_WEIGHT, lambda);
        //cout << "\tlambda " << lambda << endl;

        Dist countsPrior(numTags, 0.0);
        vector<ConditionalDist> countsCtx(4, ConditionalDist(numTags, Dist(lexicon.size(), 1e-10)));
        ConditionalDist countsPhrase(numTags, Dist(lexicon.size(), 1e-10));
        Dist countsPhraseLength(numTags, 0.0);
        Dist nPhrases(numTags, 0.0);

        double llh = 0;
        for (PhraseToContextCounts::iterator pcit = concordancePhraseToContexts.begin();
             pcit != concordancePhraseToContexts.end(); ++pcit)
        {
            const Phrase &phrase = phrases.type(pcit->first);

            // e-step: estimate latent class probs; compile (class,word) stats for m-step
            for (ContextCounts::iterator ccit = pcit->second.begin();
                 ccit != pcit->second.end(); ++ccit)
            {
                const Context &context = contexts.type(ccit->first);

                double z = 0;
                Dist tagCounts;
                if (!posterior_regularisation)
                    tagCounts = conditional_probs(phrase, context, &z);
                else
                    tagCounts = penalised_conditionals(phrase, context, lambda, &z);

                llh += log(z) * ccit->second;
                addTo(countsPrior, tagCounts); // FIXME: times ccit->secon

                for (int t = 0; t < numTags; ++t)
                {
                    for (int j = 0; j < 4; ++j)
                        countsCtx[j][t][get<0>(context)] += tagCounts[t] * ccit->second;

                    if (includePhraseProb)
                    {
                        for (Phrase::const_iterator pit = phrase.begin(); pit != phrase.end(); ++pit)
                            countsPhrase[t][*pit] += tagCounts[t] * ccit->second;
                        countsPhraseLength[t] += phrase.size() * tagCounts[t] * ccit->second;
                        nPhrases[t] += tagCounts[t] * ccit->second;
                    }
                }
            }
        }

        cout << "M-step\n";

        // m-step: normalise prior and (class,word) stats and assign to model parameters
        normalise(countsPrior);
        prior = countsPrior;
        for (int t = 0; t < numTags; ++t)
        {
            //cout << "\t\tt " << t << " prior " << countsPrior[t] << "\n";
            for (int j = 0; j < 4; ++j)
                normalise(countsCtx[j][t]);
            if (includePhraseProb)
            {
                normalise(countsPhrase[t]);
                countsPhraseLength[t] = nPhrases[t] / countsPhraseLength[t];
            }
        }
        probCtx = countsCtx;
        if (includePhraseProb)
        {
            probPhrase = countsPhrase;
            probPhraseLength = countsPhraseLength;
        }

        double *larray = new double[lambda.size()];
        copy(lambda.begin(), lambda.end(), larray);
        print_primal_dual(larray, PHRASE_VIOLATION_WEIGHT, CONTEXT_VIOLATION_WEIGHT);
        delete [] larray;

        //cout << "\tllh " << llh << endl;
        //cout << "\tprior:     " << prior << "\n";
        //cout << "\tcontext:   " << probCtx << "\n";
        //cout << "\tphrase:    " << probPhrase << "\n";
        //cout << "\tphraseLen: " << probPhraseLength << "\n";
    }

    // output class membership
    for (PhraseToContextCounts::iterator pcit = concordancePhraseToContexts.begin();
         pcit != concordancePhraseToContexts.end(); ++pcit)
    {
        const Phrase &phrase = phrases.type(pcit->first);
        for (ContextCounts::iterator ccit = pcit->second.begin();
             ccit != pcit->second.end(); ++ccit)
        {
            const Context &context = contexts.type(ccit->first);
            Dist tagCounts = conditional_probs(phrase, context, 0);
            cout << phrase << " ||| " << context << " ||| " << argmax(tagCounts) << "\n";
        }
    }

    return 0;
}

void addRandomNoise(Dist &d)
{
    for (Dist::iterator dit = d.begin(); dit != d.end(); ++dit)
        *dit += rng();
}

void normalise(Dist &d)
{
    double z = 0;
    for (Dist::iterator dit = d.begin(); dit != d.end(); ++dit)
        z += *dit;
    for (Dist::iterator dit = d.begin(); dit != d.end(); ++dit)
        *dit /= z;
}

void addTo(Dist &d, const Dist &e)
{
    assert(d.size() == e.size());
    for (int i = 0; i < (int) d.size(); ++i)
        d[i] += e[i];
}

int argmax(const Dist &d)
{
    double best = d[0];
    int index = 0;
    for (int i = 1; i < (int) d.size(); ++i)
    {
        if (d[i] > best)
        {
            best = d[i];
            index = i;
        }
    }
    return index;
}

ostream &operator<<(ostream &out, const Phrase &phrase)
{
    for (Phrase::const_iterator pit = phrase.begin(); pit != phrase.end(); ++pit)
        lexicon.display(((pit == phrase.begin()) ? out : out << " "), *pit);
    return out;
}

ostream &operator<<(ostream &out, const Context &context)
{
    lexicon.display(out, get<0>(context));
    lexicon.display(out << " ", get<1>(context));
    lexicon.display(out << " <PHRASE> ", get<2>(context));
    lexicon.display(out << " ", get<3>(context));
    return out;
}

ostream &operator<<(ostream &out, const Dist &dist)
{
    for (Dist::const_iterator dit = dist.begin(); dit != dist.end(); ++dit)
        out << ((dit == dist.begin()) ? "" : " ") << *dit;
    return out;
}

ostream &operator<<(ostream &out, const ConditionalDist &dist)
{
    for (ConditionalDist::const_iterator dit = dist.begin(); dit != dist.end(); ++dit)
        out << ((dit == dist.begin()) ? "" : "; ") << *dit;
    return out;
}

// FIXME: slow - just use the phrase index, context index to do the mapping
// (n.b. it's a sparse setup, not just equal to 3d array index)
int
lambda_index(const Phrase &phrase, const Context &context, int tag)
{
    return lambda_indices[phrase][context] + tag;
}

template <typename T>
Dist
penalised_conditionals(const Phrase &phrase, const Context &context, 
                       const T &lambda, double *normalisation)
{
    Dist d = conditional_probs(phrase, context, 0);

    double z = 0;
    for (int t = 0; t < numTags; ++t)
    {
        d[t] *= exp(-lambda[lambda_index(phrase, context, t)]);
        z += d[t];
    }

    if (normalisation)
        *normalisation = z;

    for (int t = 0; t < numTags; ++t)
        d[t] /= z;

    return d;
}

Dist 
conditional_probs(const Phrase &phrase, const Context &context, double *normalisation)
{
    Dist tagCounts(numTags, 0.0);
    double z = 0;
    for (int t = 0; t < numTags; ++t)
    {
        double prob = prior[t];
        prob *= (probCtx[0][t][get<0>(context)] * probCtx[1][t][get<1>(context)] *
                 probCtx[2][t][get<2>(context)] * probCtx[3][t][get<3>(context)]);

        if (includePhraseProb)
        {
            prob *= pow(1 - probPhraseLength[t], phrase.size() - 1) * probPhraseLength[t];
            for (Phrase::const_iterator pit = phrase.begin(); pit != phrase.end(); ++pit)
                prob *= probPhrase[t][*pit];
        }

        tagCounts[t] = prob;
        z += prob;
    }
    if (normalisation)
        *normalisation = z;

    for (int t = 0; t < numTags; ++t)
        tagCounts[t] /= z;

    return tagCounts;
}

double 
penalised_log_likelihood(int n, const double *lambda, double *grad, void *)
{
    // return log Z(lambda, theta) over the corpus
    // where theta are the global parameters (prior, probCtx*, probPhrase*) 
    // and lambda are lagrange multipliers for the posterior sparsity constraints
    //
    // this is formulated as: 
    // f = log Z(lambda) = sum_i log ( sum_i p_theta(t_i|p_i,c_i) exp [-lambda_{t_i,p_i,c_i}] )
    // where i indexes the training examples - specifying the (p, c) pair (which may occur with count > 1)
    //
    // with derivative:
    // f'_{tpc} = frac { - count(t,p,c) p_theta(t|p,c) exp (-lambda_{t,p,c}) }
    //                 { sum_t' p_theta(t'|p,c) exp (-lambda_{t',p,c}) }

    //cout << "penalised_log_likelihood with lambda ";
    //copy(lambda, lambda+n, ostream_iterator<double>(cout, " "));
    //cout << "\n";

    double f = 0;
    if (grad)
    {
        for (int i = 0; i < n; ++i)
            grad[i] = 0.0;
    }

    for (int p = 0; p < phrases.size(); ++p)
    {
        const Phrase &phrase = phrases.type(p);
        PhraseToContextCounts::const_iterator pcit = concordancePhraseToContexts.find(p);
        for (ContextCounts::const_iterator ccit = pcit->second.begin();
             ccit != pcit->second.end(); ++ccit)
        {
            const Context &context = contexts.type(ccit->first);
            double z = 0;
            Dist scores = penalised_conditionals(phrase, context, lambda, &z);

            f += ccit->second * log(z);
            //cout << "\tphrase: " << phrase << " context: " << context << " count: " << ccit->second << " z " << z << endl;
            //cout << "\t\tscores: " << scores << "\n";

            if (grad)
            {
                for (int t = 0; t < numTags; ++t)
                {
                    int i = lambda_index(phrase, context, t); // FIXME: redundant lookups
                    assert(grad[i] == 0.0);
                    grad[i] = - ccit->second * scores[t];
                }
            }
        }
    }

    //cout << "penalised_log_likelihood returning " << f;
    //if (grad)
    //{
        //cout << "\ngradient: ";
        //copy(grad, grad+n, ostream_iterator<double>(cout, " "));
    //}
    //cout << "\n";

    return f;
}

typedef struct 
{
    // one of p or c should be set to -1, in which case it will be marginalised out 
    // i.e. sum_p' lambda_{p'ct} <= threshold
    //   or sum_c' lambda_{pc't} <= threshold
    int p, c, t, threshold;
} constraint_data;

double 
constraint_and_gradient(int n, const double *lambda, double *grad, void *data)
{
    constraint_data *d = (constraint_data *) data;
    assert(d->t >= 0);
    assert(d->threshold >= 0);

    //cout << "constraint_and_gradient: t " << d->t << " p " << d->p << " c " << d->c << " tau " << d->threshold << endl;
    //cout << "\tlambda ";
    //copy(lambda, lambda+n, ostream_iterator<double>(cout, " "));
    //cout << "\n";

    // FIXME: it's crazy to use a dense gradient here => will only have a handful of non-zero entries
    if (grad)
    {
        for (int i = 0; i < n; ++i)
            grad[i] = 0.0;
    }

    //cout << "constraint_and_gradient: " << d->p << "; " << d->c << "; " << d->t << "; " << d->threshold << endl;

    if (d->p >= 0)
    {
        assert(d->c < 0);
        //    sum_c lambda_pct          <= delta [a.k.a. threshold]
        // => sum_c lambda_pct - delta  <= 0
        // derivative_pct = { 1, if p and t match; 0, otherwise }

        double val = -d->threshold;

        const Phrase &phrase = phrases.type(d->p);
        PhraseToContextCounts::const_iterator pcit = concordancePhraseToContexts.find(d->p);
        assert(pcit != concordancePhraseToContexts.end());
        for (ContextCounts::const_iterator ccit = pcit->second.begin();
             ccit != pcit->second.end(); ++ccit)
        {
            const Context &context = contexts.type(ccit->first);
            int i = lambda_index(phrase, context, d->t);
            val += lambda[i];
            if (grad) grad[i] = 1;
        }
        //cout << "\treturning " << val << endl;

        return val;
    }
    else
    {
        assert(d->c >= 0);
        assert(d->p < 0);
        //    sum_p lambda_pct          <= gamma [a.k.a. threshold]
        // => sum_p lambda_pct - gamma  <= 0
        // derivative_pct = { 1, if c and t match; 0, otherwise }

        double val = -d->threshold;

        const Context &context = contexts.type(d->c);
        ContextToPhraseCounts::iterator cpit = concordanceContextToPhrases.find(d->c);
        assert(cpit != concordanceContextToPhrases.end());
        for (PhraseCounts::iterator pcit = cpit->second.begin();
             pcit != cpit->second.end(); ++pcit)
        {
            const Phrase &phrase = phrases.type(pcit->first);
            int i = lambda_index(phrase, context, d->t);
            val += lambda[i];
            if (grad) grad[i] = 1;
        }
        //cout << "\treturning " << val << endl;

        return val;
    }
}

void
optimise_lambda(double delta, double gamma, vector<double> &lambdav)
{
    int num_lambdas = lambdav.size();
    if (lambda_indices.empty() || lambdav.empty())
    {
        lambda_indices.clear();
        lambdav.clear();

        int i = 0;
        for (int p = 0; p < phrases.size(); ++p)
        {
            const Phrase &phrase = phrases.type(p);
            PhraseToContextCounts::iterator pcit = concordancePhraseToContexts.find(p);
            for (ContextCounts::iterator ccit = pcit->second.begin();
                 ccit != pcit->second.end(); ++ccit)
            {
                const Context &context = contexts.type(ccit->first);
                lambda_indices[phrase][context] = i;
                i += numTags;
            }
        }
        num_lambdas = i;
        lambdav.resize(num_lambdas);
    }
    //cout << "optimise_lambda: #langrange multipliers " << num_lambdas << endl;

    // FIXME: better to work with an implicit representation to save memory usage
    int num_constraints = (((delta > 0) ? phrases.size() : 0) + ((gamma > 0) ? contexts.size() : 0)) * numTags;
    //cout << "optimise_lambda: #constraints " << num_constraints << endl;
    constraint_data *data = new constraint_data[num_constraints];
    int i = 0;
    if (delta > 0)
    {
        for (int p = 0; p < phrases.size(); ++p)
        {
            for (int t = 0; t < numTags; ++t, ++i)
            {
                constraint_data &d = data[i];
                d.p = p;
                d.c = -1;
                d.t = t;
                d.threshold = delta;
            }
        }
    }

    if (gamma > 0)
    {
        for (int c = 0; c < contexts.size(); ++c)
        {
            for (int t = 0; t < numTags; ++t, ++i)
            {
                constraint_data &d = data[i];
                d.p = -1;
                d.c = c;
                d.t = t;
                d.threshold = gamma;
            }
        }
    }
    assert(i == num_constraints);

    double lambda[num_lambdas];
    double lb[num_lambdas], ub[num_lambdas];
    for (i = 0; i < num_lambdas; ++i)
    {
        lambda[i] = lambdav[i]; // starting value
        lb[i] = 0;              // lower bound
        if (delta <= 0)         // upper bound
            ub[i] = gamma;      
        else if (gamma <= 0)
            ub[i] = delta;
        else
            assert(false);
    }

    //print_primal_dual(lambda, delta, gamma);
   
    double minf;
    int error_code = nlopt_minimize_constrained(NLOPT_LN_COBYLA, num_lambdas, penalised_log_likelihood, NULL,
                                                num_constraints, constraint_and_gradient, data, sizeof(constraint_data),
                                                lb, ub, lambda, &minf, -HUGE_VAL, 0.0, 0.0, 1e-4, NULL, 0, 0.0);
    //cout << "optimise error code " << error_code << endl;

    //print_primal_dual(lambda, delta, gamma);

    delete [] data;

    if (error_code < 0)
        cout << "WARNING: optimisation failed with error code: " << error_code << endl;
    //else
    //{
        //cout << "success; minf " << minf << endl;
        //print_primal_dual(lambda, delta, gamma);
    //}

    lambdav = vector<double>(&lambda[0], &lambda[0] + num_lambdas);
}

// FIXME: inefficient - cache the scores
double
expected_violation_phrases(const double *lambda)
{
    // sum_pt max_c E_q[phi_pct]
    double violation = 0;

    for (int p = 0; p < phrases.size(); ++p)
    {
        const Phrase &phrase = phrases.type(p);
        PhraseToContextCounts::const_iterator pcit = concordancePhraseToContexts.find(p);

        for (int t = 0; t < numTags; ++t)
        {
            double best = 0;
            for (ContextCounts::const_iterator ccit = pcit->second.begin();
                 ccit != pcit->second.end(); ++ccit)
            {
                const Context &context = contexts.type(ccit->first);
                Dist scores = penalised_conditionals(phrase, context, lambda, 0);
                best = max(best, scores[t]);
            }
            violation += best;
        }
    }

    return violation;
}

// FIXME: inefficient - cache the scores
double
expected_violation_contexts(const double *lambda)
{
    // sum_ct max_p E_q[phi_pct]
    double violation = 0;

    for (int c = 0; c < contexts.size(); ++c)
    {
        const Context &context = contexts.type(c);
        ContextToPhraseCounts::iterator cpit = concordanceContextToPhrases.find(c);

        for (int t = 0; t < numTags; ++t)
        {
            double best = 0;
            for (PhraseCounts::iterator pit = cpit->second.begin();
                 pit != cpit->second.end(); ++pit)
            {
                const Phrase &phrase = phrases.type(pit->first);
                Dist scores = penalised_conditionals(phrase, context, lambda, 0);
                best = max(best, scores[t]);
            }
            violation += best;
        }
    }

    return violation;
}

// FIXME: possibly inefficient
double 
primal_likelihood() // FIXME: primal evaluation needs to use lambda and calculate l1linf terms
{
    double llh = 0;
    for (int p = 0; p < phrases.size(); ++p)
    {
        const Phrase &phrase = phrases.type(p);
        PhraseToContextCounts::const_iterator pcit = concordancePhraseToContexts.find(p);
        for (ContextCounts::const_iterator ccit = pcit->second.begin();
             ccit != pcit->second.end(); ++ccit)
        {
            const Context &context = contexts.type(ccit->first);
            double z = 0;
            Dist scores = conditional_probs(phrase, context, &z);
            llh += ccit->second * log(z);
        }
    }
    return llh;
}

// FIXME: inefficient - cache the scores
double 
primal_kl_divergence(const double *lambda)
{
    // return KL(q || p) = sum_y q(y) { log q(y) - log p(y | x) }
    //                   = sum_y q(y) { log p(y | x) - lambda . phi(x, y) - log Z - log p(y | x) }
    //                   = sum_y q(y) { - lambda . phi(x, y) } - log Z
    // and q(y) factors with each edge, ditto for Z
    
    double feature_sum = 0, log_z = 0;
    for (int p = 0; p < phrases.size(); ++p)
    {
        const Phrase &phrase = phrases.type(p);
        PhraseToContextCounts::const_iterator pcit = concordancePhraseToContexts.find(p);
        for (ContextCounts::const_iterator ccit = pcit->second.begin();
             ccit != pcit->second.end(); ++ccit)
        {
            const Context &context = contexts.type(ccit->first);

            double local_z = 0;
            double local_f = 0;
            Dist d = conditional_probs(phrase, context, 0);
            for (int t = 0; t < numTags; ++t)
            {
                int i = lambda_index(phrase, context, t);
                double s = d[t] * exp(-lambda[i]);
                local_f += lambda[i] * s;
                local_z += s;
            }

            log_z += ccit->second * log(local_z);
            feature_sum += ccit->second * (local_f / local_z);
        }
    }

    return -feature_sum - log_z;
}

// FIXME: inefficient - cache the scores
double 
dual(const double *lambda)
{
    // return log(Z) = - log { sum_y p(y | x) exp( - lambda . phi(x, y) }
    // n.b. have flipped the sign as we're minimising
    
    double z = 0;
    for (int p = 0; p < phrases.size(); ++p)
    {
        const Phrase &phrase = phrases.type(p);
        PhraseToContextCounts::const_iterator pcit = concordancePhraseToContexts.find(p);
        for (ContextCounts::const_iterator ccit = pcit->second.begin();
             ccit != pcit->second.end(); ++ccit)
        {
            const Context &context = contexts.type(ccit->first);
            double lz = 0;
            Dist scores = penalised_conditionals(phrase, context, lambda, &z);
            z += lz * ccit->second;
        }
    }
    return log(z);
}

void
print_primal_dual(const double *lambda, double delta, double gamma)
{
    double likelihood = primal_likelihood();
    double kl = primal_kl_divergence(lambda);
    double sum_pt = expected_violation_phrases(lambda);
    double sum_ct = expected_violation_contexts(lambda);
    //double d = dual(lambda);

    cout << "\tllh=" << likelihood
         << " kl=" << kl
         << " violations phrases=" << sum_pt
         << " contexts=" << sum_ct
         //<< " primal=" << (kl + delta * sum_pt + gamma * sum_ct) 
         //<< " dual=" << d
         << " objective=" << (likelihood - kl + delta * sum_pt + gamma * sum_ct) 
         << endl;
}