注意： 贴纸已被 SyntaxDot 取代，它支持 许多 新功能

• 多任务学习。
• 预训练的转换器模型，例如 BERT 和 XLM-R。
• 除了序列标注的解析外，还增加了双线性解析。
• 词形还原。

sticker

sticker 是一种使用神经网络的序列标注器。

简介

sticker 是一个序列标注器，它可以使用循环神经网络、转换器或扩张卷积网络。原则上，它可以用于执行任何序列标注任务，但到目前为止，重点一直放在

• 词性标注
• 拓扑场标注
• 依存关系解析
• 命名实体识别

功能

• 输入表示
  • finalfusion 嵌入与子词单位
  • 双向字节 LSTM
• 隐藏表示
  • 双向循环神经网络（LSTM 或 GRU）
  • 转换器
  • 扩张卷积
• 分类层
  • Softmax（最佳-N）
  • CRF
• 部署
  • 与 libtensorflow 链接的独立二进制文件
  • 非常自由的 许可证
  • 带模型的 Docker 容器

状态

sticker 几乎已准备好投入生产，我们正在准备发布 1.0.0 版本。当前版本创建的图表和模型必须与 sticker 1.x.y 兼容。在 1.0.0 发布之前，仍可能进行破坏性 API 或配置文件更改。

下一步是什么

• 安装 sticker
• 预训练模型
• 使用 sticker
• 训练 sticker 模型

参考文献

sticker 使用了以下论文中的技术或从中获得灵感

• Finding Function in Form: Compositional Character Models for Open Vocabulary Word Representation. Wang Ling, Chris Dyer, Alan W Black, Isabel Trancoso, Ramón Fermandez, Silvio Amir, Luís Marujo, Tiago Luís, 2015, Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing
• 基于拓扑域的转换依赖句法分析. Daniël de Kok, Erhard Hinrichs, 2016, 第54届计算语言学协会年会论文集
• 可行的依赖句法分析作为序列标记. Michalina Strzyz, David Vilares, Carlos Gómez-Rodríguez, 2019, 第2019年北美计算语言学协会会议：人语言技术

问题

您可以在 sticker 问题跟踪器 中报告错误和功能请求。

许可

sticker 采用 蓝橡模型许可协议版本 1.0.0 许可。在 tf-proto 中的 Tensorflow 协议缓冲定义采用 Apache 许可协议版本 2.0。贡献者名单也可用 此链接 查看。

致谢

• sticker 由 Daniël de Kok & Tobias Pütz 开发。
• sticker 的 Python 前身由 Erik Schill 开发。
• Sebastian Pütz 和 Patricia Fischer 审查了 sticker 项目中的大量代码。