语言
StanfordNLP 提供了针对53种人类语言的预训练的深度学习模型，并使用作为其机器学习的入门。
每种语言都有一个，它是一个巨大的文本数据集，为语法结构/语义内容进行了可靠的注释。对于某些语言，库中提供了不只一个 treebank。
如果你想要拥有自己的带注释的语料库(这种情况并不常见!)，那么你可以基于语料库训练一个新的模型。
解析这句话!
范围
这个库提供下列服务：
在这篇文章中，我们将探讨符号化、词性和形态学特征。
StanfordNLP 管道
管道
Vish (Ishaya) Abrams 在文章中很好地解释了机器学习中的管道。为了这个目的，我们可以将库看作是一组组件的序列，这些组件的执行方式是，一个组件的输出是另一个组件的输入(一部分)。这种设计允许替换管道中的一个专用组件，同时保留其余组件。
考虑到文本在管道中流动，那么文本会经过不同步骤的处理。
在 StanfordNLP 中，管道与语言和 treebank 相关联。详细信息请看这里（），但你现在还不需要它们。StanfordNLP 管道用于模型评估，而不是模型训练。
安装
在进行其他步骤之前，我们需要先安装这个库。Python 3.6 或之后的版本可用。正如开发人员所解释的，安装 StanfordNLP 最简单的方法是使用 pip：
之后，下载我们想要使用的语言，例如：
接下来是在哪里存储下载的语言包。这一步我们建议使用缺省值。下载完成后，你可以检查每种语言都有一个对应的文件夹，其中保存了许多 PyTorch 模型，这些模型将用于我们将要介绍的各种 NLP 任务。
词性标注及其有用的原因
词性标注是复杂的 NLP 活动中的一项基本任务。想一下文本分类、情感分析或信息索引和检索。建立文本的基本语法结构为进一步的文本处理奠定了基础。
解析和标记一个句子
我们以下面的法语为例：
但是别担心，我们会把这句话变得简短很多！让我们来分析笛卡尔的句子，评估一下每个单词在其中的作用。符号化和词性标注开始发挥作用。
import stanfordnlp# English is the default language, so you# just invoke stanfordnlp.Pipeline()# For Spanish you would call # stanfordnlp.Pipeline(lang="es", treebank="es_ancora")# This sets up a neural pipeline in Frenchnlp = stanfordnlp.Pipeline(lang="fr", treebank="fr_gsd")# a document is made of sentencesdoc = nlp("Si ce discours semble trop long pour être lu en une fois, on le pourra distinguer en six parties")# we pick our first and only sentenceonly_sentence = doc.sentences[0]# a sentence is made of words. # Each word is tagged with a part of speech (POS)# Good pythonic guys prefer list comprehensions over for loops!print(" ". join(["{} ({})".format(word.text, word.upos) for word in only_sentence.words]))在一些信息量丰富的消息之后，我们得到单词列表，每个单词都附在其相应的词性上：
Si (SCONJ) ce (DET) discours (NOUN) semble (VERB) trop (ADV) long (ADJ) pour (ADP) être (AUX) lu (VERB) en (ADP) une (DET) fois (NOUN) , (PUNCT) on (PRON) le (PRON) pourra (VERB) distinguer (VERB) en (ADP) six (NUM) parties (NOUN)以上这些可以告诉我们，是一个数字决定因素，而是一个名词。请注意，当被标识为动词时，被标记为助动词。
StanfordNLP 利用了语音集的通用部分，它的优点是适用于多种语言。但是，只要有 treebank 的支持，属性也会使用和显示语言的特定词性。其他 NLP 库(如)也使用通用的和某种语言特有的语音集部分。
Chomsky 的玩笑
处理一词多义
现在我们用这个库开个小玩笑。我们想知道这个英语句子的词性：
在同一个句子中，不仅 book 和 stand 有两种不同的含义。它们也充当动词和名词。运行这句话的类似代码，我们会得到：
I (PRON) book (VERB) the (DET) book (NOUN) while (SCONJ) you (PRON) stand (VERB) by (ADP) the (DET) stand (NOUN)我用这个简单的例子引起读者的注意力，它表明词性标记已经超出了在字典中查找单词，词的句法结构决定了词性。这就是伴随着库出现的学习模型在显示其作用。
形态学特征
除了通用形式和特定于语言形式的词性外，这个库中的单词分类里还带有单词的形态特征(请注意文档中可能出现的一个故障，该属性在文档中被称为 ufeats)。
我们运行以下代码：
en_nlp = stanfordnlp.Pipeline()doc = en_nlp("My taylor is drunk") only_sentence = doc.sentences[0]print(" ". join(["{} ({} - {})".format(word.text, word.upos, word.feats) for word in only_sentence.words]))我们得到：
My (PRON - Number=Sing|Person=1|Poss=Yes|PronType=Prs)taylor (NOUN - Number=Sing) is (AUX - Mood=Ind|Number=Sing|Person=3|Tense=Pres|VerbForm=Fin) drunk (ADJ - Degree=Pos)每个词都有自己的特点，但不只是名词和动词。要理解上述内容，可以查找此索引。例如，Degree=Pos 意味着positive，一级。注意，被定义为形容词，不是动词。
关闭
我想今天这些就够了。我们喜欢库，觉得使用它很舒服。当文档不足时，你可以查看源代码来帮助你理解。接下来，我们将完成对 StanfordNLP 提供的其他功能的理解。
更多信息：原文链接：
