ltp 4.2.2

Language Technology Platform

LTP 4

LTP（Language Technology Platform） 提供了一系列中文自然语言处理工具，用户可以使用这些工具对于中文文本进行分词、词性标注、句法分析等等工作。

If you use any source codes included in this toolkit in your work, please kindly cite the following paper. The bibtex are listed below:

@article{che2020n,
  title={N-LTP: A Open-source Neural Chinese Language Technology Platform with Pretrained Models},
  author={Che, Wanxiang and Feng, Yunlong and Qin, Libo and Liu, Ting},
  journal={arXiv preprint arXiv:2009.11616},
  year={2020}
}

参考书： 由哈工大社会计算与信息检索研究中心（HIT-SCIR）的多位学者共同编著的《自然语言处理：基于预训练模型的方法 》（作者：车万翔、郭江、崔一鸣；主审：刘挺）一书现已正式出版，该书重点介绍了新的基于预训练模型的自然语言处理技术，包括基础知识、预训练词向量和预训练模型三大部分，可供广大LTP用户学习参考。

快速使用

from ltp import LTP

ltp = LTP()  # 默认加载 Small 模型
# ltp = LTP(pretrained_model_name_or_path="LTP/small")
# 另外也可以接受一些已注册可自动下载的模型名(https://huggingface.co/LTP):
# 使用字典结果
output = ltp.pipeline(
    ["他叫汤姆去拿外衣。"], tasks=["cws", "pos", "ner", "srl", "dep", "sdp"]
)
print(output.cws)
print(output.pos)
print(output.sdp)

# 传统算法，比较快，但是精度略低
ltp = LTP("LTP/legacy")
cws, pos, ner = ltp.pipeline(
    ["他叫汤姆去拿外衣。"], tasks=["cws", "pos", "ner"]
).to_tuple()
print(cws, pos, ner)

详细说明

指标

模型	分词	词性	命名实体	语义角色	依存句法	语义依存	速度(句/S)
LTP 4.0 (Base)	98.7	98.5	95.4	80.6	89.5	75.2	39.12
LTP 4.0 (Base1)	99.22	98.73	96.39	79.28	89.57	76.57	--.--
LTP 4.0 (Base2)	99.18	98.69	95.97	79.49	90.19	76.62	--.--
LTP 4.0 (Small)	98.4	98.2	94.3	78.4	88.3	74.7	43.13
LTP 4.0 (Tiny)	96.8	97.1	91.6	70.9	83.8	70.1	53.22
LTP 4.0 (Legacy)	97.93	98.41	94.28	--	--	--	Bench

模型下载地址

模型算法

• 分词: Electra ¹ + Linear
• 词性: Electra + Linear
• 命名实体: Electra + Relative Transformer² + Linear
• 依存句法: Electra + BiAffine + Eisner³
• 语义依存: Electra + BiAffine
• 语义角色: Electra + BiAffine + CRF

作者信息

• 冯云龙 <<[e-mail]>>

开源协议

1. 语言技术平台面向国内外大学、中科院各研究所以及个人研究者免费开放源代码，但如上述机构和个人将该平台用于商业目的（如企业合作项目等）则需要付费。
2. 除上述机构以外的企事业单位，如申请使用该平台，需付费。
3. 凡涉及付费问题，请发邮件到 [e-mail] 洽商。
4. 如果您在 LTP 基础上发表论文或取得科研成果，请您在发表论文和申报成果时声明“使用了哈工大社会计算与信息检索研究中心研制的语言技术平台（LTP）”. 同时，发信给[e-mail]，说明发表论文或申报成果的题目、出处等。

脚注

• 1:: Chinese-ELECTRA
• 2:: [TENER: Adapting Transformer Encoder for Named Entity Recognition](https://arxiv.org/abs/1911.04474)
• 3:: [A PyTorch implementation of "Deep Biaffine Attention for Neural Dependency Parsing"](https://github.com/yzhangcs/parser)