首页
学习
活动
专区
工具
TVP
发布

轻量级NLP工具开源,中文处理更精准,超越斯坦福Stanza

本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。

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 pipeline p = Pipeline(lang='english', gpu=True, cache_dir='./cache') 

开启auto模式,可以自动检测语言:

from trankit import Pipeline  p = Pipeline('auto')  # Tokenizing an English input en_output = p.tokenize('''I figured I would put it out there anyways.''')   # POS, Morphological tagging and Dependency parsing a French input fr_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 TPipeline  tp = 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: https://github.com/nlp-uoregon/trankit

在线Demo: http://nlp.uoregon.edu/trankit

相关论文: https://arxiv.org/pdf/2101.03289.pdf

  • 发表于:
  • 原文链接http://news.51cto.com/art/202104/655341.htm
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

相关快讯

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券