Part of Speech for Czech

Description

A Part of Speech classifier predicts a grammatical label for every token in the input text. Implemented with an averaged perceptron architecture.

Predicted Entities

  • ADJ
  • ADP
  • ADV
  • AUX
  • CCONJ
  • DET
  • INTJ
  • NOUN
  • NUM
  • PART
  • PRON
  • PROPN
  • PUNCT
  • SCONJ
  • SYM
  • VERB

Live Demo Open in Colab Download

How to use

document_assembler = DocumentAssembler()\
  .setInputCol("text")\
  .setOutputCol("document")

sentence_detector = SentenceDetector()\
  .setInputCols(["document"])\
  .setOutputCol("sentence")

pos = PerceptronModel.pretrained("pos_cac", "cs")\
  .setInputCols(["document", "token"])\
  .setOutputCol("pos")

pipeline = Pipeline(stages=[
  document_assembler,
  sentence_detector,
  posTagger
])

example = spark.createDataFrame(pd.DataFrame({'text': ["'Soustředit všechny propagační a agitační prostředky na vytvoření veřejného mínění , které bude podporovat přesnou , tvořivou a iniciativní práci ."]}))
result = pipeline.fit(example).transform(example)

val document_assembler = DocumentAssembler()
        .setInputCol("text")
        .setOutputCol("document")

val sentence_detector = SentenceDetector()
        .setInputCols(["document"])
	.setOutputCol("sentence")

val pos = PerceptronModel.pretrained("pos_cac", "cs")
        .setInputCols(Array("document", "token"))
        .setOutputCol("pos")

val pipeline = new Pipeline().setStages(Array(document_assembler, sentence_detector, pos))

val result = pipeline.fit(Seq.empty["'Soustředit všechny propagační a agitační prostředky na vytvoření veřejného mínění , které bude podporovat přesnou , tvořivou a iniciativní práci ."].toDS.toDF("text")).transform(data)
import nlu

text = [""'Soustředit všechny propagační a agitační prostředky na vytvoření veřejného mínění , které bude podporovat přesnou , tvořivou a iniciativní práci .""]
token_df = nlu.load('cs.pos.cac').predict(text)
token_df

Results


+---------------------------------------------------------------------------------------------------------------------------------------------------+-------------------------------------------------------------------------------------------------------------------------------+
|text                                                                                                                                               |result                                                                                                                         |
+---------------------------------------------------------------------------------------------------------------------------------------------------+-------------------------------------------------------------------------------------------------------------------------------+
|'Soustředit všechny propagační a agitační prostředky na vytvoření veřejného mínění , které bude podporovat přesnou , tvořivou a iniciativní práci .|[NOUN, VERB, DET, ADJ, CCONJ, ADJ, NOUN, ADP, NOUN, ADJ, NOUN, PUNCT, DET, AUX, VERB, ADJ, PUNCT, ADJ, CCONJ, ADJ, NOUN, PUNCT]|
+---------------------------------------------------------------------------------------------------------------------------------------------------+-------------------------------------------------------------------------------------------------------------------------------+

Model Information

Model Name: pos_cac
Compatibility: Spark NLP 2.7.5+
License: Open Source
Edition: Official
Input Labels: [sentence, token]
Output Labels: [pos]
Language: cs

Data Source

The model was trained on the Universal Dependencies data set.

Benchmarking

|              | precision | recall | f1-score | support |
|--------------|-----------|--------|----------|---------|
| ADJ          | 0.96      | 0.97   | 0.97     | 1597    |
| ADP          | 1.00      | 0.99   | 1.00     | 1031    |
| ADV          | 0.99      | 0.97   | 0.98     | 552     |
| AUX          | 0.93      | 0.97   | 0.95     | 302     |
| CCONJ        | 1.00      | 1.00   | 1.00     | 575     |
| DET          | 1.00      | 0.98   | 0.99     | 418     |
| INTJ         | 1.00      | 1.00   | 1.00     | 1       |
| NOUN         | 0.97      | 0.98   | 0.97     | 3023    |
| NUM          | 1.00      | 0.97   | 0.99     | 103     |
| PART         | 0.99      | 0.92   | 0.96     | 92      |
| PRON         | 0.98      | 0.97   | 0.98     | 353     |
| PROPN        | 0.93      | 0.91   | 0.92     | 138     |
| PUNCT        | 1.00      | 1.00   | 1.00     | 1423    |
| SCONJ        | 0.99      | 0.99   | 0.99     | 175     |
| SYM          | 1.00      | 1.00   | 1.00     | 39      |
| VERB         | 0.97      | 0.94   | 0.95     | 1040    |
| accuracy     |           |        | 0.98     | 10862   |
| macro avg    | 0.98      | 0.97   | 0.98     | 10862   |
| weighted avg | 0.98      | 0.98   | 0.98     | 10862   |