标签:

• flair
• 词性标注
• 序列标注模型 语言:
• 英语
• 德语
• 法语
• 意大利语
• 荷兰语
• 波兰语
• 西班牙语
• 瑞典语
• 丹麦语
• 挪威语
• 芬兰语
• 捷克语 数据集:
• ontonotes 小部件示例:
• 文本: "Ich liebe Berlin, as they say"

Flair中的多语言通用词性标注（默认模型）

这是Flair自带的默认多语言通用词性标注模型。

F1分数：96.87（基于12种UD树库，涵盖英语、德语、法语、意大利语、荷兰语、波兰语、西班牙语、瑞典语、丹麦语、挪威语、芬兰语和捷克语）

预测通用词性标签：

基于Flair嵌入和LSTM-CRF模型。

演示：如何在Flair中使用

需要安装：Flair (pip install flair)

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

# 加载标注器
tagger = SequenceTagger.load("flair/upos-multi")

# 创建示例句子
sentence = Sentence("Ich liebe Berlin, as they say. ")

# 预测词性标签
tagger.predict(sentence)

# 打印句子
print(sentence)

# 遍历词符并打印预测的词性标签
print("找到以下词性标签：")
for token in sentence:
    print(token.get_label("upos"))

输出结果如下：

Token[0]: "Ich" → PRON (0.9999)
Token[1]: "liebe" → VERB (0.9999)
Token[2]: "Berlin" → PROPN (0.9997)
Token[3]: "," → PUNCT (1.0)
Token[4]: "as" → SCONJ (0.9991)
Token[5]: "they" → PRON (0.9998)
Token[6]: "say" → VERB (0.9998)
Token[7]: "." → PUNCT (1.0)

因此，在多语言句子"Ich liebe Berlin, as they say"中，单词"Ich"和"they"被标注为代词(PRON)，而"liebe"和"say"被标注为动词(VERB)。

训练：训练此模型的脚本

使用以下Flair脚本训练此模型：

from flair.data import MultiCorpus
from flair.datasets import UD_ENGLISH, UD_GERMAN, UD_FRENCH, UD_ITALIAN, UD_POLISH, UD_DUTCH, UD_CZECH, \
    UD_DANISH, UD_SPANISH, UD_SWEDISH, UD_NORWEGIAN, UD_FINNISH
from flair.embeddings import StackedEmbeddings, FlairEmbeddings

# 1. 创建包含12种UD树库的多语料库（此处in_memory=False因为语料库较大）
corpus = MultiCorpus([
    UD_ENGLISH(in_memory=False),
    UD_GERMAN(in_memory=False),
    UD_DUTCH(in_memory=False),
    UD_FRENCH(in_memory=False),
    UD_ITALIAN(in_memory=False),
    UD_SPANISH(in_memory=False),
    UD_POLISH(in_memory=False),
    UD_CZECH(in_memory=False),
    UD_DANISH(in_memory=False),
    UD_SWEDISH(in_memory=False),
    UD_NORWEGIAN(in_memory=False),
    UD_FINNISH(in_memory=False),
])

# 2. 需要预测的标签类型
tag_type = 'upos'

# 3. 从语料库创建标签字典
tag_dictionary = corpus.make_label_dictionary(label_type=tag_type)

# 4. 初始化每种嵌入类型
embedding_types = [
    # 上下文字符串嵌入，前向
    FlairEmbeddings('multi-forward'),

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

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

# 5. 初始化序列标注器
from flair.models import SequenceTagger

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

# 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/upos-multi',
              train_with_dev=True,
              max_epochs=150)