轻量级NLP工具Trankit开源，中文处理更精准，超越斯坦福Stanza，内存占用小45% 转载自：量子位 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。 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。 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。 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。 简单易用Trankit的使用也非常简单，安装只要pip install就完事了。 pipinstalltrankit 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： fromtrankitimportPipeline #initializeamultilingualpipeline p=Pipeline(lang='english',gpu=True,cache_dir='./cache') 开启auto模式，可以自动检测语言： fromtrankitimportPipeline p=Pipeline('auto') #TokenizinganEnglishinput en_output=p.tokenize('''IfiguredIwouldputitoutthereanyways.''') #POS,MorphologicaltaggingandDependencyparsingaFrenchinput fr_output=p.posdep('''Onpourratoujoursparleràproposd'Averroèsde"décentrementduSujet".''') 使用自定义标注数据自己训练Pipeline也很方便： fromtrankitimportTPipeline tp=TPipeline(training_config={ 'task':'tokenize', 'save_dir':'./saved_model', 'train_txt_fpath':'./train.txt', 'train_conllu_fpath':'./train.conllu', 'dev_txt_fpath':'./dev.txt', 'dev_conllu_fpath':'./dev.conllu' } ) trainer.train() 统一的多语言TransformerTrankit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。 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。 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