Pos English Fast

🚀 Flair英文词性标注（快速模型）

这是随 Flair 一起发布的英文快速词性标注模型。它能有效解决英文文本中词性标注的问题，为自然语言处理任务提供准确的词性信息，提升相关处理的效率和准确性。

✨ 主要特性

• 高准确率：在Ontonotes数据集上的F1分数达到了 98.10。
• 细粒度标签：能够预测细粒度的词性标签。
• 基于先进技术：基于 Flair嵌入 和LSTM - CRF技术。

📦 安装指南

使用该模型需要安装 Flair，可以通过以下命令进行安装：

pip install flair

💻 使用示例

基础用法

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

# 加载标签器
tagger = SequenceTagger.load("flair/pos-english-fast")

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

# 预测词性标签
tagger.predict(sentence)

# 打印句子
print(sentence)

# 打印预测的词性标签范围
print('The following NER tags are found:')
# 遍历实体并打印
for entity in sentence.get_spans('pos'):
    print(entity)

上述代码的输出结果如下：

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，单词 “I” 被标记为 代词 (PRP)，“love” 被标记为 动词 (VBP)，“Berlin” 被标记为 专有名词 (NNP)。

📚 详细文档

词性标签含义

训练脚本

以下是用于训练该模型的Flair脚本：

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

# 1. 加载语料库（Ontonotes不随Flair一起提供，你需要自己下载并重新格式化为列格式）
corpus: Corpus = ColumnCorpus(
                "resources/tasks/onto-ner",
                column_format={0: "text", 1: "pos", 2: "upos", 3: "ner"},
                tag_to_bioes="ner",
            )

# 2. 我们要预测的标签类型是什么？
tag_type = 'pos'

# 3. 从语料库中创建标签字典
tag_dictionary = corpus.make_tag_dictionary(tag_type=tag_type)

# 4. 初始化我们使用的每个嵌入
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'),
]

# 嵌入栈由Flair和GloVe嵌入组成
embeddings = StackedEmbeddings(embeddings=embedding_types)

# 5. 初始化序列标签器
from flair.models import SequenceTagger

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

# 6. 初始化训练器
from flair.trainers import ModelTrainer

trainer = ModelTrainer(tagger, corpus)

# 7. 运行训练
trainer.train('resources/taggers/pos-english-fast',
              train_with_dev=True,
              max_epochs=150)

📄 许可证

文档中未提及相关许可证信息。

🔧 技术细节

该模型基于 Flair嵌入 和LSTM - CRF技术。Flair嵌入能够捕捉上下文信息，为词性标注提供更丰富的语义表示。LSTM - CRF则是一种常用的序列标注模型，能够有效处理序列数据中的依赖关系，从而提高词性标注的准确性。

📖 引用

使用该模型时，请引用以下论文：

@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语料库不随Flair一起提供，你需要自己下载并重新格式化为列格式。

💡 使用建议

• 在使用前确保已经正确安装了Flair库。
• 可以根据实际需求调整训练脚本中的参数，如 hidden_size、max_epochs 等，以获得更好的性能。