Part of Speech for Finnish

Description

This model annotates the part of speech of tokens in a text. The parts of speech annotated include PRON (pronoun), CCONJ (coordinating conjunction), and 15 others. The part of speech model is useful for extracting the grammatical structure of a piece of text automatically.

Open in Colab Download

How to use

...
pos = PerceptronModel.pretrained("pos_ud_tdt", "fi") \
    .setInputCols(["document", "token"]) \
    .setOutputCol("pos")
nlp_pipeline = Pipeline(stages=[document_assembler, sentence_detector, tokenizer, pos])
light_pipeline = LightPipeline(nlp_pipeline.fit(spark.createDataFrame([['']]).toDF("text")))
results = light_pipeline.fullAnnotate("Sen lisäksi, että hän on pohjoisen kuningas, John Snow on englantilainen lääkäri ja johtava anestesian ja lääketieteellisen hygienian kehittämisessä.")
...
val pos = PerceptronModel.pretrained("pos_ud_tdt", "fi")
    .setInputCols(Array("document", "token"))
    .setOutputCol("pos")
val pipeline = new Pipeline().setStages(Array(document_assembler, sentence_detector, tokenizer, pos))
val result = pipeline.fit(Seq.empty["Sen lisäksi, että hän on pohjoisen kuningas, John Snow on englantilainen lääkäri ja johtava anestesian ja lääketieteellisen hygienian kehittämisessä."].toDS.toDF("text")).transform(data)
import nlu

text = ["""Sen lisäksi, että hän on pohjoisen kuningas, John Snow on englantilainen lääkäri ja johtava anestesian ja lääketieteellisen hygienian kehittämisessä."""]
pos_df = nlu.load('fi.pos.ud_tdt').predict(text, output_level='token')
pos_df

Results

[Row(annotatorType='pos', begin=0, end=2, result='PRON', metadata={'word': 'Sen'}),
Row(annotatorType='pos', begin=4, end=10, result='ADP', metadata={'word': 'lisäksi'}),
Row(annotatorType='pos', begin=11, end=11, result='PUNCT', metadata={'word': ','}),
Row(annotatorType='pos', begin=13, end=16, result='SCONJ', metadata={'word': 'että'}),
Row(annotatorType='pos', begin=18, end=20, result='PRON', metadata={'word': 'hän'}),
...]

Model Information

Model Name: pos_ud_tdt
Type: pos
Compatibility: Spark NLP 2.5.0+
Edition: Official
Input labels: [token]
Output labels: [pos]
Language: fi
Case sensitive: false
License: Open Source

Data Source

The model is imported from https://universaldependencies.org