Part of Speech for Armenian

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 Copy S3 URI

How to use

...
pos = PerceptronModel.pretrained("pos_ud_armtdp", "hy") \
.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("Հյուսիսային թագավոր լինելուց բացի, Johnոն Սնոուն անգլիացի բժիշկ է և անզգայացման և բժշկական հիգիենայի զարգացման առաջատար:")
...
val pos = PerceptronModel.pretrained("pos_ud_armtdp", "hy")
.setInputCols(Array("document", "token"))
.setOutputCol("pos")
val pipeline = new Pipeline().setStages(Array(document_assembler, sentence_detector, tokenizer, pos))
val data = Seq("Հյուսիսային թագավոր լինելուց բացի, Johnոն Սնոուն անգլիացի բժիշկ է և անզգայացման և բժշկական հիգիենայի զարգացման առաջատար:").toDF("text")
val result = pipeline.fit(data).transform(data)
import nlu

text = ["""Հյուսիսային թագավոր լինելուց բացի, Johnոն Սնոուն անգլիացի բժիշկ է և անզգայացման և բժշկական հիգիենայի զարգացման առաջատար:"""]
pos_df = nlu.load('hy.pos').predict(text, output_level='token')
pos_df

Results

[Row(annotatorType='pos', begin=0, end=10, result='ADJ', metadata={'word': 'Հյուսիսային'}),
Row(annotatorType='pos', begin=12, end=18, result='ADJ', metadata={'word': 'թագավոր'}),
Row(annotatorType='pos', begin=20, end=27, result='NOUN', metadata={'word': 'լինելուց'}),
Row(annotatorType='pos', begin=29, end=32, result='ADP', metadata={'word': 'բացի'}),
Row(annotatorType='pos', begin=33, end=33, result='PUNCT', metadata={'word': ','}),
...]

Model Information

Model Name: pos_ud_armtdp
Type: pos
Compatibility: Spark NLP 2.5.5+
Edition: Official
Input labels: [token]
Output labels: [pos]
Language: hy
Case sensitive: false
License: Open Source

Data Source

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