Stop Words Cleaner for Thai

Description

This model removes ‘stop words’ from text. Stop words are words so common that they can be removed without significantly altering the meaning of a text. Removing stop words is useful when one wants to deal with only the most semantically important words in a text, and ignore words that are rarely semantically relevant, such as articles and prepositions.

Open in Colab Download

How to use

...
stop_words = StopWordsCleaner.pretrained("stopwords_th", "th") \
        .setInputCols(["token"]) \
        .setOutputCol("cleanTokens")
nlp_pipeline = Pipeline(stages=[document_assembler, tokenizer, stop_words])
light_pipeline = LightPipeline(nlp_pipeline.fit(spark.createDataFrame([['']]).toDF("text")))
results = light_pipeline.fullAnnotate("นอกเหนือจากการเป็นราชาแห่งทิศเหนือแล้วจอห์นสโนว์ยังเป็นแพทย์ชาวอังกฤษและเป็นผู้นำในการพัฒนายาระงับความรู้สึกและสุขอนามัยทางการแพทย์")
...
val stopWords = StopWordsCleaner.pretrained("stopwords_th", "th")
        .setInputCols(Array("token"))
        .setOutputCol("cleanTokens")
val pipeline = new Pipeline().setStages(Array(document_assembler, tokenizer, stopWords))
val result = pipeline.fit(Seq.empty["นอกเหนอจากการเปนราชาแหงทศเหนอแลวจอหนสโนวงเปนแพทยชาวองกฤษและเปนผู้นำในการพฒนายาระงบความรู้กและสขอนามยทางการแพทย์"].toDS.toDF("text")).transform(data)

Results

[Row(annotatorType='token', begin=0, end=130, result='นอกเหนือจากการเป็นราชาแห่งทิศเหนือแล้วจอห์นสโนว์ยังเป็นแพทย์ชาวอังกฤษและเป็นผู้นำในการพัฒนายาระงับความรู้สึกและสุขอนามัยทางการแพทย์', metadata={'sentence': '0'}),
...]

Model Information

Model Name: stopwords_th
Type: stopwords
Compatibility: Spark NLP 2.5.4+
Edition: Official
Input Labels: [token]
Output Labels: [cleanTokens]
Language: th
Case sensitive: false
License: Open Source

Data Source

The model is imported from https://github.com/WorldBrain/remove-stopwords