¿Qué es una buena biblioteca de Java para el etiquetado de partes de voz?

Question

Estoy buscando una buena fuente abierta POS Tagger en Java. Esto es lo que se me ocurrió hasta ahora.

• LingPipe
• Stanford
• LBJ
• FastTag

Alguien tiene alguna recomendación?

Answer 1

He usado OpenNLP con buenos resultados. También puede consultar MorphAdorner.

Answer 2

He usado tanto LingPipe como el Tag Tagger de Stanford. El último es un marcador de posición state-of-the-art, pero, desde mi experiencia, es demasiado lento (aunque proporcionan modelos menos precisos, que son razonablemente rápidos). Por supuesto, siempre depende de lo que esté tratando de lograr, y siempre habrá una compensación entre la velocidad y la precisión.

También he usado una vez un software NER basado en LBJ y, aunque era bastante preciso, el código fuente era un completo desastre. Tanto LingPipe como la fuente de Stanford están muy limpias y bien documentadas.

También puede consultar LTAG-spinal. Todavía no lo he usado, pero a partir de la descripción del algoritmo y de la precisión de la lista, parece mucho mejor que las alternativas que tiene hasta ahora.

Espero que ayude.

Answer 3

¿Está buscando etiquetar POS en un dominio específico? La mayoría de los etiquetadores de uso general están entrenados en el texto de las noticias. Por lo general, no funcionan bien cuando los usa en dominios específicos (como el texto biomédico). Hay otros etiquetadores específicamente entrenados para dominios tales como dTagger (java) para texto biomédico.

Para texto de noticias, Adwait Ratnaparkhi's MXPOST es muy bueno y es el que recomendaría.

Otras implementaciones de Java incluyen:

1. MontyLingua
2. Berkeley Parser (No es realmente un etiquetador pero todos los analizadores plena soplado incluirán típicamente etiquetadores de punto de venta en Google de Java analizadores sintácticos y encontrará muchos. .)
3. QTag
4. LBJ

OpenNLP y Lingpipe como publicado por los otros carteles también son bastante decentes.

Se puede encontrar información sobre el estado del arte en el etiquetado POS here. Como puede ver, LTAG-Spinal (también mencionado por otro afiche) se clasifica mejor a partir de ahora, pero la variación entre los distintos rotuladores no es mucha. No he usado LTAG yo mismo.

También tenga en cuenta que el rendimiento de referencia para el etiquetado POS es aproximadamente del 90%. La línea de base significa - (a) etiquetar cada palabra por la etiqueta POS más frecuente de un léxico, y (b) etiquetar cada palabra desconocida como sustantivo.