Fantastico modulo della community

Rakuten MA

LEGGIMI giapponese (日本语 ド キ ュ メ ン ト)

introduzione

Rakuten MA (analizzatore morfologico) è un analizzatore morfologico (segmentatore di parole + Tagger PoS) per cinese e giapponese scritto esclusivamente in JavaScript.

Rakuten MA ha le seguenti caratteristiche uniche:

  • Implementazione di JavaScript puro. Funziona sia sui browser moderni che su node.js.
  • Implementa un modello di etichettatura dei caratteri indipendente dalla lingua Emette la segmentazione delle parole e tag PoS per cinese / giapponese.
  • Supporta l'aggiornamento incrementale dei modelli tramite l'apprendimento online (Soft Confidence Weighted, Wang et al. ICML 2012).
  • Set di funzionalità personalizzabili.
  • Supporta l'hashing, la quantizzazione e l'eliminazione delle funzionalità per la rappresentazione del modello compatto.
  • In bundle con modelli cinesi e giapponesi formati da corpora generali (CTB [Xue et al. 2005] e BCCWJ [Maekawa 2008]) e corpora di e-commerce.

Demo

Puoi provare Rakuten MA nella pagina demo (potrebbe essere necessario un po 'di tempo per caricare questa pagina).

Utilizzo

Download & Install

Poiché Rakuten MA è una libreria JavaScript, non è necessaria l'installazione. Clona il repository git come

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

o scarica l'archivio zip da qui: https://github.com/rakuten-nlp/rakutenma/archive/master.zip

Se hai installato Node.js, puoi eseguire la demo tramite

1
node demo.js

che è identico all'esempio di utilizzo riportato di seguito.

npm package

Puoi anche utilizzare Rakuten MA come pacchetto npm. Puoi installarlo:

1
npm install rakutenma

I file del modello possono essere trovati sotto 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)

Includere il seguente frammento di codice nel codice <head>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>

L'analisi e il risultato hanno questo aspetto:

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. Carica un modello esistente, ad esempio, model = JSON.parse(fs.readFileSync("model_file"));quindi rma = new RakutenMA(model);orma.set_model(model);
  2. Specifica in featsetbase alla tua lingua (ad esempio, rma.featset = RakutenMA.default_featset_zh;per il cinese e rma.featset = RakutenMA.default_featset_ja;per il giapponese).
  3. Ricordarsi di utilizzare la funzione hashing a 15 bit ( rma.hash_func = RakutenMA.create_hash_func(15);) quando si utilizzano i modelli in bundle ( model_zh.jsone model_ja.json).
  4. Usa rma.tokenize(input)per analizzare il tuo input.

Training your own analysis model from scratch

  1. Prepara il tuo corpus di addestramento (un insieme di frasi di addestramento in cui una frase è solo un array di [token, tag PoS] corretti).
  2. Inizializza un'istanza RakutenMA con new RakutenMA().
  3. Specifica featset. (E facoltativamente, ctype_func, hash_func, etc.)
  4. Inserisci le tue frasi di allenamento una per una (dalla prima all'ultima) al train_one(sent)metodo.
  5. Di solito SCW converge abbastanza dopo uno epoch(un passaggio attraverso l'intero corpus di allenamento) ma è possibile ripetere il passaggio 4. per ottenere prestazioni ancora migliori.

Vedere scripts/train_zh.js(per cinese) e scripts/train_ja.js(per giapponese) per vedere un esempio che mostra come addestrare il proprio modello.

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

  1. Carica un modello esistente e inizializza un'istanza RakutenMA. (Vedi "Utilizzo di modelli in bundle per analizzare frasi cinesi / giapponesi" sopra)
  2. Prepara i tuoi dati di allenamento (potrebbero essere solo un paio di frasi, a seconda di cosa e quanto vuoi "riqualificare".)
  3. Alimenta le tue frasi di allenamento una per una al train_one(sent)metodo.

Reducing the model size

La dimensione del modello potrebbe essere ancora un problema per la distribuzione lato client anche dopo l'applicazione dell'hashing delle caratteristiche Abbiamo incluso uno script scripts/minify.jsche applica la quantizzazione delle caratteristiche (vedi [Hagiwara e Sekine COLING 2014] per i dettagli) per ridurre la dimensione del modello addestrato.

Puoi eseguirlo node scripts/minify.js [input_model_file] [output_model_file]per creare una versione minimizzata del file del modello. Ricorda: elimina anche la parte "sigma" del modello addestrato, il che significa che non sei più in grado di addestrare nuovamente il modello minimizzato. Se necessario, ri-addestrare prima il modello, quindi minimizzalo.

Documentazione API

Costruttore Descrizione
RakutenMA(model, phi, c) . Crea RakutenMA Una nuova nuova istanza modelspecifica (opzionale) all'oggetto esempio Modello con il inizializzare il RakutenMA. phiE c(entrambi opzionali) sono iper parametri del SCW (default: phi = 2048, c = 0.003906).
Metodi Descrizione
tokenize(input) Tokenizza input(stringa) e restituisce il risultato tokenizzato (coppie [token, tag PoS]).
train_one(sent) L'aggiorna il modello corrente (se necessario) l'uso della risposta data sent([modo, la Tag PoS] paia). Del valore di ritorno è un oggetto con tre proprietà ans, syse updated, DOVE ansè la risposta data (lo stesso sent), sysIS L'output di sistema utilizza il modello (vecchio) ed updatedè un flag binario (Vero / Falso) che indica se il modello è stato aggiornato (perché sysera diverso da ans) o meno.
set_model(model) Imposta il modello dell'istanza di Rakuten MA su model.
set_tag_scheme(scheme) Imposta lo schema di tag di etichettatura sequenziale. Attualmente, "IOB2"e "SBIEO"sono supportati. La specifica di altri schemi di tag causa un'eccezione.
Proprietà Descrizione
featset Specifica un array di modelli di funzionalità (stringa) utilizzati per l'analisi. È possibile utilizzare RakutenMA.default_featset_jae RakutenMA.default_featset_zhcome set di funzionalità predefiniti rispettivamente per giapponese e cinese. Vedere di seguito ("Modelli di funzionalità supportati") per i dettagli dei modelli di funzionalità.
ctype_func Specifica la funzione utilizzata per convertire un carattere nel suo tipo di carattere. RakutenMA.ctype_ja_default_funcÈ la funzione di tipo di carattere predefinita utilizzata per il giapponese. In alternativa, puoi chiamare RakutenMA.create_ctype_chardic_func(chardic)per creare una funzione di tipo di carattere che accetta un carattere per cercarlo chardice restituirne il valore. (Per esempio, RakutenMA.create_ctype_chardic_func({"A": "type1"})restituisce una funzione fdove f("A")restituisce "type1"e []altrimenti.)
hash_func Specifica la funzione hash da utilizzare per l'hashing delle caratteristiche. Predefinito = undefined(nessun hashing delle caratteristiche). Una funzione hash delle caratteristiche con bitspazio hash -bit può essere creata chiamando RakutenMA.create_hash_func(bit).

Termini e Condizioni

La distribuzione, la modifica e l'uso accademico / commerciale di Rakuten MA sono consentiti, a condizione che l'utente sia conforme alla versione 2.0 della licenza Apache http://www.apache.org/licenses/LICENSE-2.0.html .

Se utilizzi Rakuten MA per scopi di ricerca, cita il nostro documento su Rakuten MA [Hagiwara e Sekine 2014]

FAQ (domande frequenti)

D. Quali sono i browser e le versioni di Node.js supportati?

  • R. Abbiamo confermato che Rakuten MA funziona nei seguenti ambienti:
    • Internet Explorer 8 (ver. 8.0.7601.17414 o successiva)
    • Google Chrome (ver. 35.0.1916.153 o successiva)
    • Firefox (ver. 16.0.2 o successiva)
    • Safari (ver. 6.1.5 o successiva)
    • Node.js (ver. 0.10.13 o successiva)

D. È consentito l'uso commerciale?

  • R. Sì, a condizione che tu segua i termini e le condizioni. Vedi "Termini e condizioni" sopra per i dettagli.

D. Ho trovato un bug / errore di analisi / ecc. Dove devo segnalare?

  • R. Crea un problema su Github issues https://github.com/rakuten-nlp/rakutenma/issues .
  • Alternatively, puoi creare una richiesta pull se modifichi il codice. Rakuten MA dispone di una suite di test che utilizza Jasmine http://jasmine.github.io/ . Assicurati che tutti i test siano passati (nessun errore dopo l'esecuzione jasmine-node spec) e scrivi il tuo ( se necessario) prima di inviare una richiesta pull.
  • Finally, se la tua domanda non è ancora risolta, contattaci all'indirizzo prj-rakutenma [at] mail.rakuten.com.

D. I risultati della tokenizzazione sembrano strani (in particolare, la frase è suddivisa in singoli caratteri senza tag PoS)

  • R. Controlla se stai usando lo stesso set di caratteristiche ( featset) e la funzione di hashing delle caratteristiche ( hash_func) usati per l'addestramento Ricordati di usare la funzione di hashing delle caratteristiche a 15 bit ( rma.hash_func = RakutenMA.create_hash_func(15);) quando usi i modelli in bundle ( model_zh.jsone model_ja.json).

D. Quali script (semplificato / tradizionale) sono supportati per il cinese?

  • R. Attualmente è supportato solo il cinese semplificato.

D. Possiamo utilizzare lo stesso file di modello nel formato JSON per i browser?

  • R. Sì e No. Sebbene la struttura interna dei dati dei modelli sia la stessa, è necessario aggiungere l'assegnazione (ad es. var model = [JSON representation];) Per fare riferimento ad essa sui browser. Vedere la differenza tra model_zh.json(per Node.js) e model_zh.js(per browser). C'è un mini script scripts/convert_for_browser.jsche fa questo per te. Ti consigliamo di lavorare su Node.js per l'addestramento del modello, ecc. E poi convertirlo per l'utilizzo del browser.

Appendice

Supported feature templates

Modello di funzionalità Descrizione
w7 Carattere unigramma (c-3)
w8 Carattere unigramma (c-2)
w9 Carattere unigramma (c-1)
w0 Carattere unigramma (c0)
w1 Carattere unigramma (c + 1)
w2 Carattere unigramma (c + 2)
w3 Carattere unigramma (c + 3)
c7 Tipo di carattere unigramma (t-3)
c8 Tipo di carattere unigramma (t-2)
c9 Tipo di carattere unigramma (t-1)
c0 Tipo di carattere unigramma (t0)
c1 Tipo di carattere unigramma (t + 1)
c2 Tipo di carattere unigramma (t + 2)
c3 Tipo di carattere unigramma (t + 3)
b7 Personaggio bigram (c-3 c-2)
b8 Personaggio bigram (c-2 c-1)
b9 Personaggio bigram (c-1 c0)
b1 Personaggio bigram (c0 c + 1)
b2 Personaggio bigram (c + 1 c + 2)
b3 Personaggio bigram (c + 2 c + 3)
d7 Tipo di carattere bigram (t-3 t-2)
d8 Tipo di carattere bigram (t-2 t-1)
d9 Tipo di carattere bigram (t-1 t0)
d1 Tipo di carattere bigram (t0 t + 1)
d2 Tipo di carattere bigram (t + 1 t + 2)
d3 Tipo di carattere bigram (t + 2 t + 3)
altri Se si specifica una funzione caratteristica personalizzata featsetnell'array, la funzione verrà chiamata con due argomenti _te i, dove _tè una funzione che prende una posizione je restituisce l'oggetto carattere in quella posizione, ed iè la posizione corrente. Un oggetto carattere è un oggetto con due proprietà ce tche sono rispettivamente carattere e tipo di carattere. Il valore di ritorno di quella funzione viene utilizzato come valore della funzione. (Ad esempio, se specifichi una funzione f(_t, i)che returns _t(i).t;, restituisce il tipo di carattere della posizione corrente, che è fondamentalmente lo stesso del modello c0.)

PoS tag list in Chinese

Etichetta Descrizione
ANNO DOMINI Avverbio
COME Particella di aspetto
BA ba3 (in costruzione ba)
CC Congiunzione coordinativa
CD numero cardinale
CS Congiunzione subordinata
DEC de5 (Complementizzatore / Nominalizzatore)
DEG de5 (Genitivo / Associativo)
DER de5 (risultativo)
DEV de5 (Manner)
DT Determinatore
ECCETERA Altri
FW Parola straniera
IJ Interiezione
JJ Altro modificatore di nomi
LIBBRE bei4 (in lungo bei-costruzione)
LC Localizzatore
M Misura le parole
MSP Altre particelle
NN Altro sostantivo
NN-SHORT Altro sostantivo (abbrev.)
NR Nome proprio
NR-SHORT Nome proprio (abbreviato)
NT Sostantivo temporale
NT-SHORT Sostantivo temporale (abbrev.)
OD Numero ordinale
SOPRA Onomatopea
P Preposizione
PN Pronome
PU Punteggiatura
SB bei4 (in breve bei-construction)
SP Particella della frase finale
URL URL
VA Aggettivo predicativo
VC Copula
VE you3 (verbo principale)
VV Altro verbo
X Altri

PoS tag list in Japanese and correspondence to BCCWJ tags

Etichetta Nome originale JA inglese
Corrente alternata Aggettivo generale Aggettivo-comune
A-dp Aggettivi: non autosufficiente Aggettivo-dipendente
C Parole di collegamento Congiunzione
D sinonimo Pronome
E inglese parola inglese
F avverbio Avverbio
Circuito integrato Toccare i verbi generali Interiezione-comune
Jc Forma parole generali Sostantivo aggettivale-comune
J-tari Forma la parola- タ リ Sostantivo aggettivale-Tari
J-xs Forma le parole-radice del verbo ausiliare Sostantivo aggettivale-AuxVerb stem
M-aa Sovvenzione mark-AA Segnale ausiliario-AA
Mc Segno di sovvenzione generale Segno ausiliario-Comune
M-cp Contrassegno di sussidio chiuso parentesi Segno ausiliario: parentesi aperta
Mocio Contrassegno di sovvenzione aperto tra parentesi Segno ausiliario: parentesi chiusa
Mp Sovvenzione mark-period Segno-periodo ausiliario
Nn Sostantivo Sostantivo
N-nc Sostantivo-nome comune Sostantivo-Sostantivo comune
N-pn Sostantivo nome proprio Sostantivo-Nome proprio
N-xs Sostantivo verbo ausiliario radice Sostantivo stelo AuxVerb
O そ の 他 Altri
P Parole congiunte Prefisso
P-fj Ausiliario-avverbiale Particella-avverbiale
P-jj Parole ausiliarie: parole ausiliarie quasi-soggetto Frasale particellare
Pk Parole ausiliarie-Case parole ausiliarie Marcatura di particelle
P-rj Parole ausiliarie-Parole ausiliarie copulative Legame di particelle
P-sj Parola ausiliaria-Parola ausiliaria Particella-congiuntiva
Qa Suffisso-aggettivo Suffisso-aggettivo
Qj Parole a forma di suffisso Sostantivo suffisso-aggettivale
Qn Suffisso-sostantivo Suffisso-sostantivo
Qv Suffisso verbale Suffisso-Verbo
R Parole congiunte Aggettivo nominale
Sc Mark generale Segno-comune
Sl Mark-text Lettera di segno
U URL URL
Vc Verbo generale Verbo-comune
V-dp Possibilità di indipendenza dai verbi Verbo-dipendente
W vuoto Spazio bianco
X Verbo ausiliare AuxVerb

Ringraziamenti

Gli sviluppatori desiderano ringraziare Satoshi Sekine, Satoko Marumoto, Yoichi Yoshimoto, Keiji Shinzato, Keita Yaegashi e Soh Masuko per il loro contributo a questo progetto.

Riferimenti

Masato Hagiwara e Satoshi Sekine. Analizzatore morfologico cinese / giapponese leggero lato cliente basato sull'apprendimento online. Sessione demo COLING 2014, pagine 39-43, 2014. [ PDF ]

Kikuo Maekawa. Compilazione del corpus Kotonoha-BCCWJ (in giapponese) Nihongo no kenkyu (Studies in Japanese), 4 (1): 82–95, 2008. (Alcune informazioni in inglese possono essere trovate qui .) [ Sito ]

Jialei Wang, Peilin Zhao e Steven C. Hoi. Apprendimento esatto e ponderato in base alla fiducia. In Proc. Di ICML 2012, pagine 121–128, 2012. [ PDF ]

Naiwen Xue, Fei Xia, Fu-dong Chiou e Marta Palmer. The Penn Chinese treebank: Phrase structure annotation of a large corpus. Natural Language Engineering, 11 (2): 207–238, 2005. [ PDF ] [ Sito ]


© 2014, 2015 Progetto Rakuten NLP. Tutti i diritti riservati. / Sponsorizzato da Rakuten, Inc. e Rakuten Institute of Technology .