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 URI
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([['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 .']], ["text"])
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 data = Seq("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 .").toDF("text")
val result = pipeline.fit(data).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
PREVIOUSWelsh Lemmatizer