Tamil 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 Copy S3 URICopied!

How to use

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

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

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

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

example = spark.createDataFrame([['கட்சி வெற்றி பெற்றதோடு பெற்றத் ஓடு ஆட்சியில் உள்ள கட்சிக்கு ஒரு மாற்றுக் கட்சியாக வளர்ந்துள்ளது வளர்ந்த் உள்ளது .']], ["text"])

results = pipeline.fit(example).transform(example)

Results

+-------------+
|        lemma|
+-------------+
|        கட்சி|
|       வெற்றி|
|    பெற்றதோடு|
|      பெற்றத்|
|          ஓடு|
|        ஆட்சி|
|          உள்|
|    கட்சிக்கு|
|          ஒரு|
|     மாற்றுக்|
|     கட்சியாக|
|வளர்ந்துள்ளது|
|     வளர்ந்த்|
|          உள்|
|            .|
+-------------+

Model Information

Model Name: lemma
Compatibility: Spark NLP 3.0.0+
License: Open Source
Edition: Official
Input Labels: [token]
Output Labels: [lemma]
Language: ta

Data Source

The model was trained on the Universal Dependencies version 2.7.

Benchmarking

Precision=0.62, Recall=0.58, F1-score=0.6