pdf怎么变成pos(轻量级NLP工具开源，中文处理更精准，超越斯坦福Stanza)

梦晨 发自 凹非寺

量子位 报道 | 公众号 QbitAI

最新轻量级多语言NLP工具集Trankit发布1.0版本，来自俄勒冈大学。

基于Transformer，性能已超越之前的热门同类项目斯坦福Stanza。

Trankit支持多达56种语言，除了简体和繁体中文以外，还支持文言文。

先来看一组Trankit与Stanza对文言文进行依存句法分析的结果。

可以看到，Stanza错误的将“有朋自远方来”中的“有”和“来”两个动词判断成并列关系。

在简体中文的词性标注任务上，Trankit对“自从”一词处理也更好。

与Stanza一样，Trankit也是基于Pytorch用原生Python实现，对广大Python用户非常友好。

Trankit在多语言NLP多项任务上的性能超越Stanza。

在英语分词上的得分比Stanza高9.36%。在中文依存句法分析的UAS和LAS指标上分别高出14.50%和15.0%。

Trankit在GPU加持下加速更多，且占用内存更小，作为一个轻量级NLP工具集更适合普通人使用。

简单易用

Trankit的使用也非常简单，安装只要pip install就完事了。

pip install trankit

不过需要注意的是，Trankit使用了Tokenizer库，需要先安装Rust。

初始化一个预训练Pipeline：

from trankit import Pipeline# initialize a multilingual pipelinep = Pipeline(lang='english', gpu=True, cache_dir='./cache')

开启auto模式，可以自动检测语言：

from trankit import Pipelinep = Pipeline('auto')# Tokenizing an English inputen_output = p.tokenize('''I figured I would put it out there anyways.''') # POS, Morphological tagging and Dependency parsing a French inputfr_output = p.posdep('''On pourra toujours parler à propos d'Averroès de "décentrement du Sujet".''')

使用自定义标注数据自己训练Pipeline也很方便：

from trankit import TPipelinetp = TPipeline(training_config={ 'task': 'tokenize', 'save_dir': './saved_model', 'train_txt_fpath': './train.txt', 'train_conllu_fpath': './train.conllu', 'dev_txt_fpath': './dev.txt', 'dev_conllu_fpath': './dev.conllu' })trainer.train()统一的多语言Transformer

Trankit将各种语言分别训练的Pipelines整合到一起共享一个多语言预训练Transformer。

然后为每种语言创建了一组适配器(Adapters)作为传统的预训练模型“微调(Fine-tuning)”方法的替代，并对不同的NLP任务设置权重。

在训练中，共享的预训练Transformer是固定的，只有适配器和任务特定权重被更新。

在推理时，根据输入文本的语言和当前的活动组件，寻找相应的适配器和特定任务权重。

这种机制不仅解决了内存问题，还大大缩短了训练时间。

Trankit团队在实验中对比了另外两种实现方法。

一种是把所有语言的数据集中到一起训练一个巨大的Pipeline。另一种是使用Trankit的方法但把适配器去掉。

在各项NLP任务中，Trankit这种“即插即用”的适配器方法表现最好。

团队表示，未来计划通过研究不同的预训练Transformer（如mBERT和XLM-Robertalarge）来改进Trankit。

还考虑为更多语言提供实体识别，以及支持更多的NLP任务。

Github仓库：

在线Demo：

相关论文：

— 完 —

量子位 QbitAI · 头条号签约

关注我们，第一时间获知前沿科技动态