Awesome Community Module

Rakuten MA

README japonés (日本語 ド キ ュ メ ン ト)

Introducción

Rakuten MA (analizador morfológico) es un analizador morfológico (segmentador de palabras + etiquetador PoS) para chino y japonés escrito exclusivamente en JavaScript.

Rakuten MA tiene las siguientes características únicas:

  • Implementación de JavaScript puro. Funciona tanto en navegadores modernos como en node.js.
  • Implementa un modelo de etiquetado de caracteres independiente del idioma. Genera segmentación de palabras y etiquetas PoS para chino / japonés.
  • Supports incremental update of models by online learning (Soft Confidence Weighted , Wang et al. ICML 2012).
  • Conjunto de funciones personalizables.
  • Supports feature hashing , cuantización y poda de características para la representación de modelos compactos.
  • Incluido con modelos chinos y japoneses formados de corpus generales (CTB [Xue et al. 2005] y BCCWJ [Maekawa 2008]) y corpus de comercio electrónico.

Manifestación

Puede probar Rakuten MA en la página de demostración (puede llevar un tiempo cargar esta página).

Uso

Download & Install

Como Rakuten MA es una biblioteca de JavaScript, no es necesario instalarlo. Clone el repositorio git como

1
git clone https://github.com/rakuten-nlp/rakutenma.git

o descargue el archivo zip desde aquí: https://github.com/rakuten-nlp/rakutenma/archive/master.zip

Si tiene Node.js instalado, puede ejecutar la demostración

1
node demo.js

que es idéntico al ejemplo de uso a continuación.

npm package

También puede usar Rakuten MA como paquete npm. Puede instalarlo de la siguiente manera:

1
npm install rakutenma

Los archivos del modelo se pueden encontrar en node_modules/rakutenma/ .

Usage Example (on Node.js)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
// RakutenMA demo // Load necessary libraries var RakutenMA = require('./rakutenma'); var fs = require('fs'); // Initialize a RakutenMA instance // with an empty model and the default ja feature set var rma = new RakutenMA(); rma.featset = RakutenMA.default_featset_ja; // Let's analyze a sample sentence (from http://tatoeba.org/jpn/sentences/show/103809) // With a disastrous result, since the model is empty! console.log(rma.tokenize("彼は新しい仕事できっと成功するだろう。")); // Feed the model with ten sample sentences from tatoeba.com var tatoeba = JSON.parse(fs.readFileSync("tatoeba.json")); for (var i = 0; i < 10; i ++) { rma.train_one(tatoeba[i]); } // Now what does the result look like? console.log(rma.tokenize("彼は新しい仕事できっと成功するだろう。")); // Initialize a RakutenMA instance with a pre-trained model var model = JSON.parse(fs.readFileSync("model_ja.json")); rma = new RakutenMA(model, 1024, 0.007812); // Specify hyperparameter for SCW (for demonstration purpose) rma.featset = RakutenMA.default_featset_ja; // Set the feature hash function (15bit) rma.hash_func = RakutenMA.create_hash_func(15); // Tokenize one sample sentence console.log(rma.tokenize("うらにわにはにわにわとりがいる")); // Re-train the model feeding the right answer (pairs of [token, PoS tag]) var res = rma.train_one( [["うらにわ","N-nc"], ["に","P-k"], ["は","P-rj"], ["にわ","N-n"], ["にわとり","N-nc"], ["が","P-k"], ["いる","V-c"]]); // The result of train_one contains: // sys: the system output (using the current model) // ans: answer fed by the user // update: whether the model was updated console.log(res); // Now what does the result look like? console.log(rma.tokenize("うらにわにはにわにわとりがいる"));

Usage Example (on browsers)

Incluya el siguiente fragmento de código en el <head> de su HTML.

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
<script type="text/javascript" src="rakutenma.js" charset="UTF-8"></script> <script type="text/javascript" src="model_ja.js" charset="UTF-8"></script> <script type="text/javascript" src="hanzenkaku.js" charset="UTF-8"></script> <script type="text/javascript" charset="UTF-8"> function Segment() { rma = new RakutenMA(model); rma.featset = RakutenMA.default_featset_ja; rma.hash_func = RakutenMA.create_hash_func(15); var textarea = document.getElementById("input"); var result = document.getElementById("output"); var tokens = rma.tokenize(HanZenKaku.hs2fs(HanZenKaku.hw2fw(HanZenKaku.h2z(textarea.value)))); result.style.display = 'block'; result.innerHTML = RakutenMA.tokens2string(tokens); } </script>

El análisis y el resultado se ven así:

1 2 3
<textarea id="input" cols="80" rows="5"></textarea> <input type="submit" value="Analyze" onclick="Segment()"> <div id="output"></div>

Using bundled models to analyze Chinese/Japanese sentences

  1. Load an existing model , por ejemplo, model = JSON.parse(fs.readFileSync("model_file")); luego rma = new RakutenMA(model); o rma.set_model(model);
  2. Especifique featset según su idioma (por ejemplo, rma.featset = RakutenMA.default_featset_zh; para chino y rma.featset = RakutenMA.default_featset_ja; para japonés).
  3. Recuerde usar la función hash de la característica de 15 bits ( rma.hash_func = RakutenMA.create_hash_func(15); ) cuando use los modelos agrupados ( model_zh.json y model_ja.json ).
  4. Use rma.tokenize(input) para analizar su entrada.

Training your own analysis model from scratch

  1. Prepare your training corpus (a set of training sentences where a sentence is just an array of correct [token , etiqueta PoS] Prepare your training corpus (a set of training sentences where a sentence is just an array of correct [token ).
  2. Inicialice una instancia de RakutenMA con el new RakutenMA() .
  3. Especifique featset . (Y opcionalmente, ctype_func , hash_func , etc.)
  4. Alimente sus oraciones de entrenamiento una por una (desde la primera hasta la última) al método train_one(sent) .
  5. Por lo general, SCW converge lo suficiente después de una epoch (una pasada a través del cuerpo de entrenamiento completo), pero puede repetir el Paso 4. para lograr un rendimiento aún mejor.

Consulte scripts/train_zh.js (para chino) y scripts/train_ja.js (para japonés) para ver un ejemplo que muestra cómo entrenar su propio modelo.

Re-training an existing model (domain adaptation, fixing errors, etc.)

  1. Cargue un modelo existente e inicialice una instancia de RakutenMA (consulte "Uso de modelos agrupados para analizar oraciones en chino / japonés" más arriba)
  2. Prepare your training data (this could be as few as a couple of sentences , dependiendo de qué y cuánto desea "volver a entrenar").
  3. Alimenta tus oraciones de entrenamiento una por una con el train_one(sent) .

Reducing the model size

El tamaño del modelo aún podría ser un problema para la distribución del lado del cliente, incluso después de aplicar el hash de características. Incluimos un script scripts/minify.js que aplica la cuantificación de características (ver [Hagiwara y Sekine COLING 2014] para los detalles) para reducir el modelo entrenado Talla.

Puede ejecutarlo node scripts/minify.js [input_model_file] [output_model_file] para hacer una versión minificada del archivo del modelo. Recuerde: también elimina la parte "sigma" del modelo entrenado, lo que significa que ya no puede volver a -entrenar el modelo minificado. Si es necesario, vuelva a entrenar el modelo primero y luego minifíquelo.

Documentación API

Constructor Descripción
RakutenMA(model, phi, c) Crea un nuevo RakutenMA ejemplo. model (opcional) especifica el objeto de modelo para inicializar la instancia RakutenMA con. phi y c (ambos opcionales) son parámetros hiper de SCW (por defecto: phi = 2048 , c = 0.003906 ).
Métodos Descripción
tokenize(input) Tokeniza la input (cadena) y devuelve el resultado tokenizado (pares [token, etiqueta PoS]).
train_one(sent) Actualiza el modelo actual (si es necesario) usando la respuesta dada sent (pares [token, etiqueta PoS]). El valor de retorno es un objeto con tres propiedades ans , sys y updated , donde ans es la respuesta dada (igual a la sent ) , sys es la salida del sistema que usa el modelo (antiguo) y updated es un indicador binario (verdadero / falso) que significa si el modelo se actualizó (porque sys era diferente de ans ) o no.
set_model(model) Establece el modelo de la instancia de Rakuten MA en model .
set_tag_scheme(scheme) Establece el esquema de etiqueta de etiquetado secuencial. Actualmente, "IOB2" y "SBIEO" son compatibles. La especificación de otros esquemas de etiqueta causa una excepción.
Propiedades Descripción
featset Especifica una matriz de plantillas de características (cadena) utilizadas para el análisis. Puede usar RakutenMA.default_featset_ja y RakutenMA.default_featset_zh como los conjuntos de características predeterminados para japonés y chino, respectivamente. Consulte a continuación ("Plantillas de características compatibles") para obtener detalles de las plantillas de características .
ctype_func Especifica la función utilizada para convertir un carácter a su tipo de carácter. RakutenMA.ctype_ja_default_func es la función de tipo de carácter predeterminada utilizada para japonés. Alternativamente, puede llamar a RakutenMA.create_ctype_chardic_func(chardic) para crear una función de tipo de carácter que necesita un carácter para mirarlo. up en chardic y devolver su valor. (Por ejemplo, RakutenMA.create_ctype_chardic_func({"A": "type1"}) devuelve una función f donde f("A") devuelve "type1" y [] contrario).
hash_func Especifica la función de hash que se usará para el hash de características. Valor predeterminado = undefined (sin hashing de características). Se puede crear una función de hash de características con espacio de hash bit bit llamando a RakutenMA.create_hash_func(bit) .

Términos y Condiciones

Se permite la distribución, modificación y uso académico / comercial de Rakuten MA, siempre que cumpla con la Licencia Apache versión 2.0 http://www.apache.org/licenses/LICENSE-2.0.html .

Si está utilizando Rakuten MA para fines de investigación, cite nuestro documento sobre Rakuten MA [Hagiwara y Sekine 2014]

Preguntas frecuentes (preguntas frecuentes)

P. ¿Qué son los navegadores compatibles y las versiones de Node.js?

  • A. We confirmed that Rakuten MA runs in the following environments :
    • Internet Explorer 8 (ver. 8.0.7601.17414 o superior)
    • Google Chrome (ver. 35.0.1916.153 o superior)
    • Firefox (ver. 16.0.2 o superior)
    • Safari (ver. 6.1.5 o superior)
    • Node.js (ver. 0.10.13 o superior)

P. ¿Se permite el uso comercial?

  • A. Yes , siempre y cuando siga los términos y condiciones. Consulte "Términos y condiciones" más arriba para obtener más detalles.

P. Encontré un error / error de análisis / etc. ¿Dónde debo informar?

  • A. Cree un problema en Github issues https://github.com/rakuten-nlp/rakutenma/issues .
  • Alternatively , puede crear una solicitud de extracción si modifica el código. Rakuten MA tiene un conjunto de pruebas usando Jasmine http://jasmine.github.io/ . Asegúrese de que todas las pruebas pasen (sin errores después de ejecutar la jasmine-node spec ) y escriba el suyo (si es necesario) antes de enviar una solicitud de extracción.
  • Finally , si su pregunta aún no se resuelve, contáctenos en prj-rakutenma [at] mail.rakuten.com.

P. Los resultados de la tokenización parecen extraños (específicamente, la oración se divide en caracteres individuales sin etiquetas PoS)

  • A. Compruebe si está utilizando el mismo conjunto de características ( featset ) y la función de hashing de características ( hash_func ) utilizada para el entrenamiento. Recuerde utilizar la función de hashing de características de 15 bits ( rma.hash_func = RakutenMA.create_hash_func(15); ) al usar los modelos agrupados ( model_zh.json y model_ja.json ).

P. ¿Qué scripts (simplificados / tradicionales) son compatibles con el chino?

  • R. Actualmente solo se admite chino simplificado.

P. ¿Podemos usar el mismo archivo de modelo en formato JSON para los navegadores?

  • A. Yes and no. Although internal data structure of models is the same , debe agregar la asignación (por ejemplo, var model = [JSON representation]; ) para referirse a ella en los navegadores. Vea la diferencia entre model_zh.json ( para Node.js) y model_zh.js (para navegadores). Hay un mini script scripts/convert_for_browser.js que hace esto por usted. Le recomendamos que trabaje en Node.js para entrenamiento de modelos, etc. y luego lo convierta para usos del navegador .

Apéndice

Supported feature templates

Plantilla de funciones Descripción
w7 Unigrama de caracteres (c-3)
w8 Unigrama de caracteres (c-2)
w9 Unigrama de caracteres (c-1)
w0 Unigrama de caracteres (c0)
w1 Unigrama de caracteres (c + 1)
w2 Unigrama de caracteres (c + 2)
w3 Unigrama de caracteres (c + 3)
c7 Tipo de caracteres unigram (t-3)
c8 Tipo de caracteres unigram (t-2)
c9 Tipo de caracteres unigram (t-1)
c0 Tipo de caracteres unigram (t0)
c1 Tipo de caracteres unigram (t + 1)
c2 Tipo de caracteres unigram (t + 2)
c3 Tipo de caracteres unigram (t + 3)
b7 Carácter bigram (c-3 c-2)
b8 Carácter bigram (c-2 c-1)
b9 Carácter bigram (c-1 c0)
b1 Carácter bigram (c0 c + 1)
b2 Carácter bigram (c + 1 c + 2)
b3 Carácter bigram (c + 2 c + 3)
d7 Tipo de caracteres bigram (t-3 t-2)
d8 Tipo de caracteres bigram (t-2 t-1)
d9 Tipo de caracteres bigram (t-1 t0)
d1 Tipo de caracteres bigram (t0 t + 1)
d2 Tipo de caracteres bigram (t + 1 t + 2)
d3 Tipo de caracteres bigram (t + 2 t + 3)
otros Si especifica una función de entidad personalizada en la matriz featset , la función se llamará con dos argumentos _t e i , donde _t es una función que toma una posición j y devuelve el objeto de carácter en esa posición, e i es la posición actual. Un objeto de carácter es un objeto con dos propiedades c y t que son caracteres y tipo de carácter, respectivamente. El valor de retorno de esa función se utiliza como el valor de la característica (por ejemplo, si especifica una función f(_t, i) que returns _t(i).t; luego devuelve el tipo de carácter de la posición actual, que es básicamente lo mismo que la plantilla c0 .)

PoS tag list in Chinese

Etiqueta Descripción
ANUNCIO Adverbio
COMO Partícula de aspecto
licenciado en Letras ba3 (en construcción ba)
CC Conjunción de coordinación
discos compactos número cardinal
CS Conjunción subordinada
DIC de5 (Complementador / Nominalizador)
DEG de5 (Genitivo / Asociativo)
DER de5 (resultante)
DEV de5 (Moda)
DT Determinante
ETC Otros
FW Palabra extranjera
IJ Interjección
JJ Otro modificador de sustantivo
LB bei4 (en construcción larga bei)
LC Localizador
METRO Palabra de medida
MSP Otra partícula
NN Otro sustantivo
NN-CORTO Otro sustantivo (abreviatura)
NR Nombre propio
NR-CORTO Nombre propio (abreviatura)
Nuevo Testamento Sustantivo temporal
NT-CORTO Sustantivo temporal (abreviatura)
sobredosis Número ordinal
EN Onomatopeya
PAGS Preposición
PN Pronombre
PU Puntuación
SB bei4 (en resumen bei-construction)
SP Partícula final de la oración
URL URL
Virginia Adjetivo predictivo
VC Cópula
VE you3 (verbo principal)
VV Otro verbo
X Otros

PoS tag list in Japanese and correspondence to BCCWJ tags

Etiqueta Nombre original de JA Inglés
C.A Adjetivo general Adjetivo-Común
A-dp Adjetivo-no independiente Dependiente del adjetivo
C Elige palabras Conjunción
re sinónimo Pronombre
mi Inglés palabra inglesa
F adverbio Adverbio
Ic Palabras generales en movimiento Interjección-Común
Jc Forma general de palabras Adjetivo Sustantivo-Común
J-tari Palabra de forma Adjetivo sustantivo-Tari
J-xs Forma verbo auxiliar de palabra Adjetivo sustantivo-tallo de verbo auxiliar
M-aa Símbolo de subsidio -AA Señal auxiliar-AA
Mc Símbolo de subvención general Señal auxiliar común
M-cp Subsidio símbolo-paréntesis cerrado Signo auxiliar-paréntesis abierto
Fregona Símbolo de subsidio: soporte abierto Signo auxiliar-Cerrar paréntesis
Mp Período-símbolo de subsidio Periodo de signo auxiliar
Nn Sustantivo Sustantivo
N-nc Sustantivo Sustantivo
N-pn Sustantivo intrínseco Sustantivo
N-xs Verbo auxiliar de sustantivo Vástago sustantivo-auxiliar
O そ の 他 Otros
PAGS Discurso conjunto Prefijo
P-fj Palabra auxiliar Partícula-Adverbial
P-jj Palabra auxiliar Partículas-Frasal
Pk Palabra auxiliar Marcado de cajas de partículas
P-rj Palabra auxiliar Unión de Partículas
P-sj Palabra auxiliar Partícula-Conjuntiva
Qa Adjetivo de sufijo Sufijo-adjetivo
Qj Palabra en forma de sufijo Sufijo-Sustantivo Adjetivo
Qn Sufijo-sustantivo Sufijo-Sustantivo
Qv Verbo de sufijo Verbo sufijo
R Conjunciones Adjetivo adnominal
Carolina del Sur Símbolo general Señal común
Sl Texto de símbolo Carta de firma
U URL URL
Vc Verbo general Verbo-Común
V-dp Verbo no independiente Dependiente del verbo
W blanco Espacio en blanco
X Verbo auxiliar AuxVerb

Agradecimientos

Los desarrolladores desean agradecer a Satoshi Sekine, Satoko Marumoto, Yoichi Yoshimoto, Keiji Shinzato, Keita Yaegashi y Soh Masuko por su contribución a este proyecto.

Referencias

Masato Hagiwara y Satoshi Sekine. Analizador morfológico chino / japonés ligero del lado del cliente basado en el aprendizaje en línea. Sesión de demostración COLING 2014, páginas 39-43, 2014. [ PDF ]

Kikuo Maekawa. Recopilación del corpus Kotonoha-BCCWJ (en japonés). Nihongo no kenkyu (Estudios en japonés), 4 (1): 82–95, 2008. (Puede encontrar información en inglés aquí .) [ Sitio ]

Jialei Wang, Peilin Zhao y Steven C. Hoi. Aprendizaje exacto y suave basado en la confianza. En Proc. De ICML 2012, páginas 121–128, 2012. [ PDF ]

Naiwen Xue, Fei Xia, Fu-dong Chiou y Marta Palmer. The Penn Chinese treebank: Anotación de estructura de frase de un gran corpus. Ingeniería del lenguaje natural, 11 (2): 207–238, 2005. [ PDF ] [ Sitio ]


© 2014, 2015 Proyecto Rakuten NLP. Todos los derechos reservados. / Patrocinado por Rakuten, Inc. y el Instituto de Tecnología de Rakuten .