Icelandic Lemmatizer

Description

This is a dictionary-based lemmatizer that assigns all forms and inflections of a word to a single root. This enables the pipeline to treat the past and present tense of a verb, for example, as the same word instead of two completely different words.

Live Demo Open in Colab Download

How to use

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

tokenizer = Tokenizer()\
    .setInputCols(["document"]) \
    .setOutputCol("token")

lemmatizer = LemmatizerModel.pretrained("lemma", "is") \
        .setInputCols(["token"]) \
        .setOutputCol("lemma")

pipeline = Pipeline(stages=[document_assembler, tokenizer, lemmatizer])

example = spark.createDataFrame(pd.DataFrame({'text': ["""En þar er þeir vinnast eigi til þá hafa þeir við aðra stafi svo marga og þesskonar sem þarf en hina taka þeir úr er eigi eru réttræðir í máli þeirra ."""]]}))

results = pipeline.fit(example).transform(example)
val document_assembler = DocumentAssembler()
    .setInputCol("text")
    .setOutputCol("document")

val tokenizer = Tokenizer()
    .setInputCols(["document"])
    .setOutputCol("token")

val lemmatizer = LemmatizerModel.pretrained("lemma", "is")
        .setInputCols(["token"])
        .setOutputCol("lemma")

val pipeline = new Pipeline().setStages(Array(document_assembler, tokenizer, lemmatizer))
val result = pipeline.fit(Seq.empty["En þar er þeir vinnast eigi til þá hafa þeir við aðra stafi svo marga og þesskonar sem þarf en hina taka þeir úr er eigi eru réttræðir í máli þeirra ."].toDS.toDF("text")).transform(data)
import nlu

text = ["En þar er þeir vinnast eigi til þá hafa þeir við aðra stafi svo marga og þesskonar sem þarf en hina taka þeir úr er eigi eru réttræðir í máli þeirra ."]
lemma_df = nlu.load('is.lemma').predict(text, output_level = "document")
lemma_df.lemma.values[0]

Results

+-----------+
|      lemma|
+-----------+
|       hinn|
|        þar|
|       vera|
|       þeir|
|    vinnast|
|       ekki|
|        til|
|         þá|
|       hafa|
|       þeir|
|         ég|
|       aðra|
|     stafur|
|        svo|
|     margur|
|og-og-og-og|
|  þesskonar|
|        sem|
|      þurfa|
|       hinn|
+-----------+

Model Information

Model Name: lemma
Compatibility: Spark NLP 2.7.5+
License: Open Source
Edition: Official
Input Labels: [token]
Output Labels: [lemma]
Language: is

Data Source

The model was trained on the Universal Dependencies version 2.7.

Benchmarking

Precision=0.63, Recall=0.59, F1-score=0.61