Pos English Fast

🚀 Flair英文詞性標註（快速模型）

這是隨 Flair 一起發佈的英文快速詞性標註模型。它能有效解決英文文本中詞性標註的問題，為自然語言處理任務提供準確的詞性信息，提升相關處理的效率和準確性。

✨ 主要特性

• 高準確率：在Ontonotes數據集上的F1分數達到了 98.10。
• 細粒度標籤：能夠預測細粒度的詞性標籤。
• 基於先進技術：基於 Flair嵌入 和LSTM - CRF技術。

📦 安裝指南

使用該模型需要安裝 Flair，可以通過以下命令進行安裝：

pip install flair

💻 使用示例

基礎用法

from flair.data import Sentence
from flair.models import SequenceTagger

# 加載標籤器
tagger = SequenceTagger.load("flair/pos-english-fast")

# 創建示例句子
sentence = Sentence("I love Berlin.")

# 預測詞性標籤
tagger.predict(sentence)

# 打印句子
print(sentence)

# 打印預測的詞性標籤範圍
print('The following NER tags are found:')
# 遍歷實體並打印
for entity in sentence.get_spans('pos'):
    print(entity)

上述代碼的輸出結果如下：

Span [1]: "I"   [− Labels: PRP (1.0)]
Span [2]: "love"   [− Labels: VBP (0.9998)]
Span [3]: "Berlin"   [− Labels: NNP (0.9999)]
Span [4]: "."   [− Labels: . (0.9998)]

在句子 “I love Berlin” 中，單詞 “I” 被標記為 代詞 (PRP)，“love” 被標記為 動詞 (VBP)，“Berlin” 被標記為 專有名詞 (NNP)。

📚 詳細文檔

詞性標籤含義

訓練腳本

以下是用於訓練該模型的Flair腳本：

from flair.data import Corpus
from flair.datasets import ColumnCorpus
from flair.embeddings import WordEmbeddings, StackedEmbeddings, FlairEmbeddings

# 1. 加載語料庫（Ontonotes不隨Flair一起提供，你需要自己下載並重新格式化為列格式）
corpus: Corpus = ColumnCorpus(
                "resources/tasks/onto-ner",
                column_format={0: "text", 1: "pos", 2: "upos", 3: "ner"},
                tag_to_bioes="ner",
            )

# 2. 我們要預測的標籤類型是什麼？
tag_type = 'pos'

# 3. 從語料庫中創建標籤字典
tag_dictionary = corpus.make_tag_dictionary(tag_type=tag_type)

# 4. 初始化我們使用的每個嵌入
embedding_types = [

    # 上下文字符串嵌入，正向
    FlairEmbeddings('news-forward'),

    # 上下文字符串嵌入，反向
    FlairEmbeddings('news-backward'),
]

# 嵌入棧由Flair和GloVe嵌入組成
embeddings = StackedEmbeddings(embeddings=embedding_types)

# 5. 初始化序列標籤器
from flair.models import SequenceTagger

tagger = SequenceTagger(hidden_size=256,
                        embeddings=embeddings,
                        tag_dictionary=tag_dictionary,
                        tag_type=tag_type)

# 6. 初始化訓練器
from flair.trainers import ModelTrainer

trainer = ModelTrainer(tagger, corpus)

# 7. 運行訓練
trainer.train('resources/taggers/pos-english-fast',
              train_with_dev=True,
              max_epochs=150)

📄 許可證

文檔中未提及相關許可證信息。

🔧 技術細節

該模型基於 Flair嵌入 和LSTM - CRF技術。Flair嵌入能夠捕捉上下文信息，為詞性標註提供更豐富的語義表示。LSTM - CRF則是一種常用的序列標註模型，能夠有效處理序列數據中的依賴關係，從而提高詞性標註的準確性。

📖 引用

使用該模型時，請引用以下論文：

@inproceedings{akbik2018coling,
  title={Contextual String Embeddings for Sequence Labeling},
  author={Akbik, Alan and Blythe, Duncan and Vollgraf, Roland},
  booktitle = {{COLING} 2018, 27th International Conference on Computational Linguistics},
  pages     = {1638--1649},
  year      = {2018}
}

⚠️ 重要提示

• Ontonotes語料庫不隨Flair一起提供，你需要自己下載並重新格式化為列格式。

💡 使用建議

• 在使用前確保已經正確安裝了Flair庫。
• 可以根據實際需求調整訓練腳本中的參數，如 hidden_size、max_epochs 等，以獲得更好的性能。