fastHan是基于fastNLP与pytorch实现的中文自然语言处理工具,像spacy一样调用方便。
其内核为基于BERT的联合模型,其在13个语料库中进行训练,可处理中文分词、词性标注、依存分析、命名实体识别四项任务。fastHan共有base与large两个版本,分别利用BERT的前四层与前八层。base版本在总参数量150MB的情况下各项任务均有不错表现,large版本则接近甚至超越SOTA模型。
fastHan需要以下依赖的包:
torch>=1.0.0
fastNLP>=0.5.0
版本更新:
- 1.1版本的fastHan与0.5.5版本的fastNLP会导致importerror。如果使用1.1版本的fastHan,请使用0.5.0版本的fastNLP。
- 1.2版本的fastHan修复了fastNLP版本兼容问题。小于等于1.2版本的fastHan在输入句子的首尾包含空格、换行符时会产生BUG。如果字符串首尾包含上述字符,请使用strip函数处理输入字符串。
- 1.3版本的fastHan自动对输入字符串做strip函数处理。
可执行如下命令完成安装:
pip install fastHan==1.3
fastHan的使用极为简单,只需两步:加载模型、将句子输入模型。
执行以下代码可以加载模型:
from fastHan import FastHan
model=FastHan()
此时若用户为首次初始化模型,将自动从服务器中下载参数。
模型默认初始化为base,如果使用large版本,可在初始化时加入如下参数:
model=FastHan(model_type="large")
模型对句子进行依存分析、命名实体识别的简单例子如下:
sentence="郭靖是金庸笔下的一名男主。"
answer=model(sentence,target="Parsing")
print(answer)
answer=model(sentence,target="NER")
print(answer)
模型将会输出如下信息:
[[['郭靖', 2, 'top', 'NR'], ['是', 0, 'root', 'VC'], ['金庸', 4, 'nn', 'NR'], ['笔', 5, 'lobj', 'NN'], ['下', 10, 'assmod', 'LC'], ['的', 5, 'assm', 'DEG'], ['一', 8, 'nummod', 'CD'], ['名', 10, 'clf', 'M'], ['男', 10, 'amod', 'JJ'], ['主', 2, 'attr', 'NN'], ['。', 2, 'punct', 'PU']]]
[[['郭靖', 'NR'], ['金庸', 'NR']]]
任务选择
target参数可在'Parsing'、'CWS'、'POS'、'NER'四个选项中取值,模型将分别进行依存分析、分词、词性标注、命名实体识别任务,模型默认进行CWS任务。其中词性标注任务包含了分词的信息,而依存分析任务又包含了词性标注任务的信息。命名实体识别任务相较其他任务独立。
如果分别运行CWS、POS、Parsing任务,模型输出的分词结果等可能存在冲突。如果想获得不冲突的各类信息,请直接运行包含全部所需信息的那项任务。
模型的POS、Parsing任务均使用CTB标签集。NER使用msra标签集。
分词风格
分词风格,指的是训练模型中文分词模块的10个语料库,模型可以区分这10个语料库,设置分词style为S即令模型认为现在正在处理S语料库的分词。所以分词style实际上是与语料库的覆盖面、分词粒度相关的。如本模型默认的CTB语料库分词粒度较细。如果想切换不同的粒度,可以使用模型的set_cws_style函数,例子如下:
sentence="一个苹果。"
print(model(sentence,'CWS'))
model.set_cws_style('cnc')
print(model(sentence,'CWS'))
模型将输出如下内容:
[['一', '个', '苹果', '。']]
[['一个', '苹果', '。']]
对语料库的选取参考了下方CWS SOTA模型的论文,共包括:SIGHAN 2005的 MSR、PKU、AS、CITYU 语料库,由山西大学发布的 SXU 语料库,由斯坦福的CoreNLP 发布的 CTB6 语料库,由国家语委公布的 CNC 语料库,由王威廉先生公开的微博树库 WTB,由张梅山先生公开的诛仙语料库 ZX,Universal Dependencies 项目的 UD 语料库。
输入与输出
输入模型的可以是单独的字符串,也可是由字符串组成的列表。如果输入的是列表,模型将一次性处理所有输入的字符串,所以请自行控制 batch size。
模型的输出是在fastHan模块中定义的sentence与token类。模型将输出一个由sentence组成的列表,而每个sentence又由token组成。每个token本身代表一个被分好的词,有pos、head、head_label、ner四项属性,代表了该词的词性、依存关系、命名实体识别信息。
一则输入输出的例子如下所示:
sentence=["我爱踢足球。","林丹是冠军"]
answer=model(sentence,'Parsing')
for i,sentence in enumerate(answer):
print(i)
for token in sentence:
print(token,token.pos,token.head,token.head_label)
模型将输入如下内容:
0
我 PN 2 nsubj
爱 VV 0 root
踢 VV 2 ccomp
足球 NN 3 dobj
。 PU 2 punct
1
林丹 NR 2 top
是 VC 0 root
冠军 NN 2 attr
! PU 2 punct
可在分词风格中选择'as'、'cityu'进行繁体字分词,这两项为繁体语料库。
此外,由于各项任务共享词表、词嵌入,即使不切换模型的分词风格,模型对繁体字、英文字母、数字均具有一定识别能力。
切换设备
可使用模型的set_device函数,令模型在cuda上运行或切换回cpu,示例如下:
model.set_device('cuda:0')
model.set_device('cpu')
模型在以下数据集进行训练和准确性测试:
- CWS:AS, CITYU, CNC, CTB, MSR, PKU, SXU, UDC, WTB, ZX
- NER:MSRA、OntoNotes
- POS & Parsing:CTB9
注:模型在训练NER OntoNotes时将其标签集转换为与MSRA一致。
模型在ctb分词语料库的前800句进行了速度测试,平均每句有45.2个字符。测试环境为私人电脑, Intel Core i5-9400f + NVIDIA GeForce GTX 1660ti,batch size取8。经测试依存分析运行速度较慢,其他各项任务运行速度大致相同。base模型上依存分析任务使用GPU效果不佳,是因为依存分析利用POS的结果需要大量CPU计算,GPU带来的加速效果小于信息传递的负担。
最终模型取得的表现如下:
任务 | CWS | Parsing | POS | NER MSRA | NER OntoNotes | 速度(句/s),cpu | 速度(句/s),gpu |
---|---|---|---|---|---|---|---|
SOTA模型 | 97.1 | 85.66,81.71 | 93.15 | 95.25 | 79.92 | —— | —— |
base模型 | 97.27 | 81.22,76.71 | 94.88 | 94.33 | 82.86 | 25-55 | 22-111 |
large模型 | 97.41 | 85.52,81.38 | 95.66 | 95.50 | 83.82 | 14-28 | 21-97 |
注:模型在句首加入语料库标签来区分输入句子的任务及语料库,最初测试计算F值时将语料库标签也算入在内,导致CWS、POS分值偏高。现在已修复此处错误并更新了表格中的CWS及POS项。评分略有下降(CWS平均下降0.11,POS平均下降0.29),但仍超越SOTA模型。
表格中单位为百分数。CWS的成绩是10项任务的平均成绩。Parsing中的两个成绩分别代表Fudep和Fldep。SOTA模型的数据来自笔者对网上资料及论文的查阅,如有缺漏请指正,不胜感激。这五项SOTA表现分别来自如下五篇论文:
- Huang W, Cheng X, Chen K, et al. Toward Fast and Accurate Neural Chinese Word Segmentation with Multi-Criteria Learning.[J]. arXiv: Computation and Language, 2019.
- Hang Yan, Xipeng Qiu, and Xuanjing Huang. "A Graph-based Model for Joint Chinese Word Segmentation and Dependency Parsing." Transactions of the Association for Computational Linguistics 8 (2020): 78-92.
- Meng Y, Wu W, Wang F, et al. Glyce: Glyph-vectors for Chinese Character Representations[J]. arXiv: Computation and Language, 2019.
- Diao S, Bai J, Song Y, et al. ZEN: Pre-training Chinese Text Encoder Enhanced by N-gram Representations[J]. arXiv: Computation and Language, 2019.
- Jie Z, Lu W. Dependency-Guided LSTM-CRF for Named Entity Recognition[C]. international joint conference on natural language processing, 2019: 3860-3870.
目前此工作准备投稿,如被录用将会把链接附于此处,届时可在论文中得到更多关于模型结构及训练的详细信息。