Stanford nlp 斯坦福解析器模型
StanfordCorenlp包含几个解析英语句子的模型Stanford nlp 斯坦福解析器模型,stanford-nlp,Stanford Nlp,StanfordCorenlp包含几个解析英语句子的模型 英国人 英语 english_UD(depparse注释器的默认值) 英国人 英国人 englishPCFG(解析注释器的默认值) 英语无壳 wsjRNN WSJ4因素 wsjPCFG 以下文件中有一些比较: 我无法找到所有模型的完整描述和比较。 它存在于任何地方吗?如果没有,我认为值得创建。我不能给出完整的列表(也许Chris会插话?),但我的理解是这些模型是: englishSR:shift-reduce模型在各种标
- 英国人
- 英语
- english_UD(depparse注释器的默认值)
- 英国人
- 英国人
- englishPCFG(解析注释器的默认值)
- 英语无壳
- wsjRNN
- WSJ4因素
- wsjPCFG
:shift-reduce模型在各种标准树状结构上进行训练,并使用斯坦福大学的一些手工标注数据。这是我们拥有的最快、最精确的模型,但该模型的负载非常大englishSR
:斯坦福依赖项的NN依赖项解析器模型。不赞成使用english\u SD
——通用依赖模型english\u UD
:通用依赖项的NN依赖项解析器模型。这是获取依赖关系树的最快、最准确的方法,但它不会提供选区分析english\u UD
:混合PCFG+神经选区解析器模型。比shift-reduce模型以外的任何选区分析器都更精确,但速度也明显较慢englishHRNN
:不是100%确定这是什么,但我的印象是,无论是准确性还是速度,它都介于englishFactored
和englishPCFG
之间englishRNN
:用于选区分析的常规旧PCFG模型。加载速度快,比除shift-reduce模型以外的任何选区模型都快,但按照现代标准,准确度也一般。尽管如此,这是一个很好的违约englishPCFG
:PCFG模型的无壳版本englishPCFG.caseless
- 快速:10倍,准确,高记忆:英语HSR
- 中等:1x,正常精度,低内存:englishPCFG
- 慢:~0.25倍,准确,低内存:englishRNN
- 快速:100倍,准确,低内存,仅依赖解析:英语