我正在开发一个关于波兰语依赖解析的项目。我们正在尝试使用波兰语(使用.conllu格式的Universal Dependencies树库)训练斯坦福神经网络依赖性解析器。数据已经被标记化和注释,因此我们既没有训练标记器,也没有训练CORE NLP提供的解析器。到目前为止,通过从命令行运行解析器,我们已经能够在标准依赖项中使用pl_lfg-ud Treebank取得一些成功。但我们也希望训练解析器来重现增强的通用依赖关系,它们也在树库中表示。到目前为止,我还没有在文档中找到这样做的方法,也没有找到NNDEP和CORE NLP的常见问题解答,尽管据我所知,有可能使用Stanford NLP解析器。是否增强的依赖关系解析仅适用于英语(或其他官方支持的语言),或者我只是做错了什么?
我会非常感谢任何线索!
这里有关于如何训练模型的信息:
https://stanfordnlp.github.io/CoreNLP/depparse.html
示例命令:
java -Xmx12g edu.stanford.nlp.parser.nndep.DependencyParser -trainFile fr-ud-train.conllu -devFile fr-ud-dev.conllu -model new-french-UD-model.txt.gz -embedFile wiki.fr.vec -embeddingSize 300 -tlp edu.stanford.nlp.trees.international.french.FrenchTreebankLanguagePack -cPOS
您还需要训练一个词性模型:
https://nlp.stanford.edu/software/pos-tagger-faq.html
https://nlp.stanford.edu/nlp/javadoc/javanlp/edu/stanford/nlp/tagger/maxent/MaxentTagger.html
示例命令:
java -mx1g edu.stanford.nlp.tagger.maxent.MaxentTagger -props myPropertiesFile.props
您可以在文档中找到适当的培训文件样式。
示例文件:
## tagger training invoked at Sun Sep 23 19:24:37 PST 2018 with arguments:
model = english-left3words-distsim.tagger
arch = left3words,naacl2003unknowns,wordshapes(-1,1),distsim(/u/nlp/data/pos_tags_are_useless/egw4-reut.512.clusters,-1,1),distsimconjunction(/u/nlp/data/pos_tags_are_useless/egw4-reut.512.clusters,-1,1)
wordFunction = edu.stanford.nlp.process.AmericanizeFunction
trainFile = /path/to/training-data
closedClassTags =
closedClassTagThreshold = 40
curWordMinFeatureThresh = 2
debug = false
debugPrefix =
tagSeparator = _
encoding = UTF-8
iterations = 100
lang = english
learnClosedClassTags = false
minFeatureThresh = 2
openClassTags =
rareWordMinFeatureThresh = 10
rareWordThresh = 5
search = owlqn
sgml = false
sigmaSquared = 0.0
regL1 = 0.75
tagInside =
tokenize = true
tokenizerFactory =
tokenizerOptions =
verbose = false
verboseResults = true
veryCommonWordThresh = 250
xmlInput =
outputFile =
outputFormat = slashTags
outputFormatOptions =
nthreads = 1
这里有一个详尽的示例培训属性文件列表:
https://github.com/stanfordnlp/CoreNLP/tree/master/scripts/pos-tagger
如果使用Java管道,则需要编写标记生成器或提供预标记化的文本。
您可能对我们的Python项目感兴趣,该项目具有用于标记化,句子分割,词典化和依赖性解析的波兰模型。您也可以训练自己的模型: