5.16. LAC-百度词法分析工具¶

https://pypi.org/project/LAC/
GitHub: https://github.com/baidu/lac
论文(Chinese Lexical Analysis with Deep Bi-GRU-CRF Network): https://arxiv.org/abs/1807.01882

5.16.1. 简介¶

LAC 全称 Lexical Analysis of Chinese，是百度自然语言处理部研发的一款联合的词法分析工具，实现中文分词、词性标注、专名识别等功能。

该工具具有以下特点与优势:

1. 效果好
    通过深度学习模型联合学习分词、词性标注、专名识别任务，词语重要性
    整体效果 F1 值超过 0.91，词性标注 F1 值超过 0.94，专名识别 F1 值超过 0.85，效果业内领先
2. 效率高
    精简模型参数，结合 Paddle 预测库的性能优化，CPU 单线程性能达 800QPS，效率业内领先。
3. 可定制
    实现简单可控的干预机制，精准匹配用户词典对模型进行干预。词典支持长片段形式，使得干预更为精准。
4. 调用便捷
    支持一键安装，同时提供了 Python、Java 和 C++ 调用接口与调用示例，实现快速调用和集成。
5. 支持移动端
     定制超轻量级模型，体积仅为 2M，主流千元手机单线程性能达 200QPS，满足大多数移动端应用的需求，同等体积量级效果业内领先。

安装:

全自动安装:
    pip install lac
国内网络可使用百度源安装，安装速率更快：
    pip install lac -i https://mirror.baidu.com/pypi/simple


半自动下载：
先下载 http://pypi.python.org/pypi/lac/，
解压后运行 python setup.py install

安装验证:

lac 或 lac --segonly,lac --rank

5.16.2. 分词¶

示例:

from LAC import LAC

# 装载分词模型
lac = LAC(mode='seg')

# 单个样本输入，输入为Unicode编码的字符串
text = u"LAC是个优秀的分词工具"
seg_result = lac.run(text)
# 【单样本】
# seg_result = [LAC, 是, 个, 优秀, 的, 分词, 工具]

# 批量样本输入, 输入为多个句子组成的list，平均速率会更快
texts = [u"LAC是个优秀的分词工具", u"百度是一家高科技公司"]
seg_result = lac.run(texts)
# 【批量样本】
# seg_result = [[LAC, 是, 个, 优秀, 的, 分词, 工具], [百度, 是, 一家, 高科技, 公司]]

5.16.3. 词性¶

说明:

标签    含义
n   普通名词
f   方位名词
s   处所名词
nw  作品名
nz  其他专名

v   普通动词
vd  动副词
vn  名动词

a   形容词
ad  副形词
an  名形词

d   副词
m   数量词
q   量词
r   代词
p   介词
c   连词
u   助词
xc  其他虚词
w   标点符号

PER   人名
LOC   地名
ORG   机构名
TIME  时间

标签	含义	标签	含义	标签	含义	标签	含义
n	普通名词	f	方位名词	s	处所名词	nw	作品名
nz	其他专名	v	普通动词	vd	动副词 vn	名动词
a	形容词 ad	副形词 an	名形词 d	副词
m	数量词 q	量词	r	代词	p	介词
c	连词	u	助词	xc	其他虚词	w	标点符号
PER 人名	LOC 地名	ORG 机构名 TIME	时间

示例-词性标注与实体识别:

from LAC import LAC

# 装载LAC模型
lac = LAC(mode='lac')

# 单个样本输入，输入为Unicode编码的字符串
text = u"LAC是个优秀的分词工具"
lac_result = lac.run(text)
# 【单样本】
# lac_result = ([百度, 是, 一家, 高科技, 公司], [ORG, v, m, n, n])


# 批量样本输入, 输入为多个句子组成的list，平均速率更快
texts = [u"LAC是个优秀的分词工具", u"百度是一家高科技公司"]
lac_result = lac.run(texts)
# 【批量样本】
# lac_result = [
#     ([百度, 是, 一家, 高科技, 公司], [ORG, v, m, n, n]),
#     ([LAC, 是, 个, 优秀, 的, 分词, 工具], [nz, v, q, a, u, n, n])
# ]

5.16.4. 词语重要性¶

示例:

from LAC import LAC

# 装载词语重要性模型
lac = LAC(mode='rank')

# 单个样本输入，输入为Unicode编码的字符串
text = u"LAC是个优秀的分词工具"
rank_result = lac.run(text)
# 【单样本】：rank_result = [['LAC', '是', '个', '优秀', '的', '分词', '工具'],
                    [nz, v, q, a, u, n, n],[3, 0, 0, 2, 0, 3, 1]]



# 批量样本输入, 输入为多个句子组成的list，平均速率会更快
texts = [u"LAC是个优秀的分词工具", u"百度是一家高科技公司"]
rank_result = lac.run(texts)
# 【批量样本】
# rank_result = [
#    (['LAC', '是', '个', '优秀', '的', '分词', '工具'],
#     [nz, v, q, a, u, n, n], [3, 0, 0, 2, 0, 3, 1]),
#    (['百度', '是', '一家', '高科技', '公司'],
#     [ORG, v, m, n, n], [3, 0, 2, 3, 1])
# ]

词语重要性程度各类别标签集合如下表，我们使用 4-Level 梯度进行分类:

标签  含义                  常见于词性
 query 中表述的冗余词     p, w, xc ...
 query 中限定较弱的词     r, c, u ...
 query 中强限定的词       n, s, v ...
 query 中的核心词         nz, nw, LOC ...

标签	含义	常见于词性
0	query 中表述的冗余词	p, w, xc …
1	query 中限定较弱的词	r, c, u …
2	query 中强限定的词	n, s, v …
3	query 中的核心词 nz, nw, LOC …

5.16.5. 定制化功能¶

在模型输出的基础上，LAC 还支持用户配置定制化的切分结果和专名类型输出。当模型预测匹配到词典的中的 item 时，会用定制化的结果替代原有结果。为了实现更加精确的匹配，我们支持以由多个单词组成的长片段作为一个 item。
我们通过装载词典文件的形式实现该功能，词典文件每行表示一个定制化的 item，由一个单词或多个连续的单词组成，每个单词后使用 ‘/’ 表示标签，如果没有 ‘/’ 标签则会使用模型默认的标签。每个 item 单词数越多，干预效果会越精准。

词典文件示例:

春天/SEASON
花/n 开/v
秋天的风
落 阳

代码示例:

from LAC import LAC
lac = LAC()

# 装载干预词典, sep参数表示词典文件采用的分隔符，为None时默认使用空格或制表符'\t'
lac.load_customization('custom.txt', sep=None)

# 干预后结果
custom_result = lac.run(u"春天的花开秋天的风以及冬天的落阳")

# 原本输出结果:
# 春天/TIME 的/u 花开/v 秋天/TIME 的/u 风/n 以及/c 冬天/TIME 的/u 落阳/n

# 添加示例中的词典文件后的结果为:
# 春天/SEASON 的/u 花/n 开/v 秋天的风/n 以及/c 冬天/TIME 的/u 落/n 阳/n

5.16.6. 增量训练¶

我们也提供了增量训练的接口，用户可以使用自己的数据，进行增量训练，首先需要将数据转换为模型输入的格式，并且所有数据文件均为 “UTF-8” 编码：

1. 分词训练¶

数据样例(与大多数开源分词数据集格式一致，使用空格作为单词切分标记):

LAC 是 个 优秀 的 分词 工具 。
百度 是 一家 高科技 公司 。
春天 的 花开 秋天 的 风 以及 冬天 的 落阳 。

代码示例:

from LAC import LAC

# 选择使用分词模型
lac = LAC(mode = 'seg')

# 训练和测试数据集，格式一致
train_file = "./data/seg_train.tsv"
test_file = "./data/seg_test.tsv"
lac.train(model_save_dir='./my_seg_model/',train_data=train_file, test_data=test_file)

# 使用自己训练好的模型
my_lac = LAC(model_path='my_seg_model')

2. 词法分析训练¶

数据样例(在分词数据的基础上，每个单词以 “/type” 的形式标记其词性或实体类别):

LAC/nz 是/v 个/q 优秀/a 的/u 分词/n 工具/n 。/w
百度/ORG 是/v 一家/m 高科技/n 公司/n 。/w
春天/TIME 的/u 花开/v 秋天/TIME 的/u 风/n 以及/c 冬天/TIME 的/u 落阳/n 。/w

代码示例:

from LAC import LAC

# 选择使用默认的词法分析模型
lac = LAC()

# 训练和测试数据集，格式一致
train_file = "./data/lac_train.tsv"
test_file = "./data/lac_test.tsv"
lac.train(model_save_dir='./my_lac_model/',train_data=train_file, test_data=test_file)

# 使用自己训练好的模型
my_lac = LAC(model_path='my_lac_model')