Sentence Detection in Marathi Text

Description

SentenceDetectorDL (SDDL) is based on a general-purpose neural network model for sentence boundary detection. The task of sentence boundary detection is to identify sentences within a text. Many natural language processing tasks take a sentence as an input unit, such as part-of-speech tagging, dependency parsing, named entity recognition or machine translation.

Download

How to use

documenter = DocumentAssembler()\
    .setInputCol("text")\
    .setOutputCol("document")
    
sentencerDL = SentenceDetectorDLModel\
  .pretrained("sentence_detector_dl", "mr") \
  .setInputCols(["document"]) \
  .setOutputCol("sentences")

sd_model = LightPipeline(PipelineModel(stages=[documenter, sentencerDL]))
sd_model.fullAnnotate("""इंग्रजी वाचन परिच्छेद एक उत्तम स्रोत शोधत आहात? आपण योग्य ठिकाणी आला आहात. नुकत्याच झालेल्या एका अभ्यासानुसार, आजच्या तरुणांमध्ये वाचनाची सवय झपाट्याने कमी होत आहे. ते दिलेल्या इंग्रजी वाचनाच्या परिच्छेदावर काही सेकंदांपेक्षा जास्त काळ लक्ष केंद्रित करू शकत नाहीत! तसेच, वाचन हा सर्व स्पर्धा परीक्षांचा अविभाज्य भाग होता आणि आहे. तर, तुम्ही तुमचे वाचन कौशल्य कसे सुधारता? या प्रश्नाचे उत्तर प्रत्यक्षात दुसरा प्रश्न आहे: वाचन कौशल्याचा उपयोग काय आहे? वाचनाचा मुख्य हेतू म्हणजे 'अर्थ काढणे'.""")

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

val model = SentenceDetectorDLModel.pretrained("sentence_detector_dl", "mr")
	.setInputCols(Array("document"))
	.setOutputCol("sentence")

val pipeline = new Pipeline().setStages(Array(documenter, model))
val data = Seq("इंग्रजी वाचन परिच्छेद एक उत्तम स्रोत शोधत आहात? आपण योग्य ठिकाणी आला आहात. नुकत्याच झालेल्या एका अभ्यासानुसार, आजच्या तरुणांमध्ये वाचनाची सवय झपाट्याने कमी होत आहे. ते दिलेल्या इंग्रजी वाचनाच्या परिच्छेदावर काही सेकंदांपेक्षा जास्त काळ लक्ष केंद्रित करू शकत नाहीत! तसेच, वाचन हा सर्व स्पर्धा परीक्षांचा अविभाज्य भाग होता आणि आहे. तर, तुम्ही तुमचे वाचन कौशल्य कसे सुधारता? या प्रश्नाचे उत्तर प्रत्यक्षात दुसरा प्रश्न आहे: वाचन कौशल्याचा उपयोग काय आहे? वाचनाचा मुख्य हेतू म्हणजे 'अर्थ काढणे'.").toDF("text")
val result = pipeline.fit(data).transform(data)
nlu.load('mr.sentence_detector').predict("इंग्रजी वाचन परिच्छेद एक उत्तम स्रोत शोधत आहात? आपण योग्य ठिकाणी आला आहात. नुकत्याच झालेल्या एका अभ्यासानुसार, आजच्या तरुणांमध्ये वाचनाची सवय झपाट्याने कमी होत आहे. ते दिलेल्या इंग्रजी वाचनाच्या परिच्छेदावर काही सेकंदांपेक्षा जास्त काळ लक्ष केंद्रित करू शकत नाहीत! तसेच, वाचन हा सर्व स्पर्धा परीक्षांचा अविभाज्य भाग होता आणि आहे. तर, तुम्ही तुमचे वाचन कौशल्य कसे सुधारता? या प्रश्नाचे उत्तर प्रत्यक्षात दुसरा प्रश्न आहे: वाचन कौशल्याचा उपयोग काय आहे? वाचनाचा मुख्य हेतू म्हणजे 'अर्थ काढणे'.", output_level ='sentence')  

Results

+-----------------------------------------------------------------------------------------------------+
|result                                                                                               |
+-----------------------------------------------------------------------------------------------------+
|[इंग्रजी वाचन परिच्छेद एक उत्तम स्रोत शोधत आहात?]						               |
|[आपण योग्य ठिकाणी आला आहात.]                                                                         |
|[नुकत्याच झालेल्या एका अभ्यासानुसार, आजच्या तरुणांमध्ये वाचनाची सवय झपाट्याने कमी होत आहे.]                           | 
|[ते दिलेल्या इंग्रजी वाचनाच्या परिच्छेदावर काही सेकंदांपेक्षा जास्त काळ लक्ष केंद्रित करू शकत नाहीत!]                          |
|[तसेच, वाचन हा सर्व स्पर्धा परीक्षांचा अविभाज्य भाग होता आणि आहे.]                                   		   |
|[तर, तुम्ही तुमचे वाचन कौशल्य कसे सुधारता?]                                                                  |
|[या प्रश्नाचे उत्तर प्रत्यक्षात दुसरा प्रश्न आहे:]                                                                     |
|[वाचन कौशल्याचा उपयोग काय आहे?]                                                                        |
|[वाचनाचा मुख्य हेतू म्हणजे 'अर्थ काढणे'.]                                                                    |
+-----------------------------------------------------------------------------------------------------+


Model Information

Model Name: sentence_detector_dl
Compatibility: Spark NLP 3.2.0+
License: Open Source
Edition: Official
Input Labels: [document]
Output Labels: [sentences]
Language: mr

Benchmarking

Accuracy:      0.98
Recall:        1.00
Precision:     0.96
F1:            0.98