轻量级NLP工具开源,中文处理更精准,超越斯坦福Stanza

新闻 开发工具
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。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。

 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。

轻量级NLP工具开源,中文处理更精准,超越斯坦福Stanza

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。

轻量级NLP工具开源,中文处理更精准,超越斯坦福Stanza

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。

轻量级NLP工具开源,中文处理更精准,超越斯坦福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。

轻量级NLP工具开源,中文处理更精准,超越斯坦福Stanza

简单易用

Trankit的使用也非常简单,安装只要pip install就完事了。

  1. 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:

  1. from trankit import Pipeline 
  2.  
  3. # initialize a multilingual pipeline 
  4. p = Pipeline(lang='english', gpu=True, cache_dir='./cache'

开启auto模式,可以自动检测语言:

  1. from trankit import Pipeline 
  2.  
  3. p = Pipeline('auto'
  4.  
  5. # Tokenizing an English input 
  6. en_output = p.tokenize('''I figured I would put it out there anyways.''')  
  7.  
  8. # POS, Morphological tagging and Dependency parsing a French input 
  9. 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:

  1. from trankit import TPipeline 
  2.  
  3. tp = TPipeline(training_config={ 
  4.     'task''tokenize'
  5.     'save_dir''./saved_model'
  6.     'train_txt_fpath''./train.txt'
  7.     'train_conllu_fpath''./train.conllu'
  8.     'dev_txt_fpath''./dev.txt'
  9.     'dev_conllu_fpath''./dev.conllu' 
  10.     } 
  11.  
  12. 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。

轻量级NLP工具开源,中文处理更精准,超越斯坦福Stanza

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。

轻量级NLP工具开源,中文处理更精准,超越斯坦福Stanza

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

 

 

责任编辑:张燕妮 来源: 量子位
相关推荐

2020-03-23 14:24:09

Python 开发编程语言

2023-03-22 15:14:00

数据模型

2023-07-03 13:23:47

OpenChatOpenLLMChatGPT

2009-05-19 09:06:41

Apple斯坦福iPhone

2013-01-31 09:45:14

斯坦福超级电脑百万内核

2012-03-21 21:38:27

苹果

2019-12-16 14:33:01

AI人工智能斯坦福

2023-10-05 12:31:14

AI数据

2018-08-13 21:19:07

Weld开源数据

2023-03-15 10:26:00

模型开源

2023-08-10 14:01:08

开源虚拟

2022-10-08 12:38:23

模型开源

2024-01-29 12:49:00

AI模型

2023-05-26 10:50:38

模型AI

2017-11-28 14:18:29

2012-11-19 16:08:21

2018-12-03 09:35:26

互联网

2016-09-27 16:06:48

点赞
收藏

51CTO技术栈公众号