| Language | version | | ------------------------------------ | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | Python | | | Rust | |

LTP For Rust

传统机器学习方法（LTP 3）实现的 CWS / POS / NER 算法。

| method | ltp 3.0(c++) | ap(1) | ap(8) | pa | pa-i(0.5) | pa-ii(0.5) | | ------ | ------------ | --------- | ----- | ----- | --------- | ---------- | | cws | 97.83 | 97.93 | 97.67 | 97.90 | 97.90 | 97.93 | | pos | 98.35 | 98.41 | 98.30 | 98.39 | 98.39 | 98.38 | | ner | 94.17 | 94.28 | 93.42 | 94.02 | 94.06 | 93.95 |

快速使用

```rust use std::fs::File; use apache_avro::Codec; use itertools::multizip; use ltp::{CWSModel, POSModel, NERModel, ModelSerde, Format};

fn main() -> Result<(), Box> { let file = File::open("data/legacy-models/cwsmodel.bin")?; let cws: CWSModel = ModelSerde::load(file, Format::AVRO(Codec::Deflate))?; let file = File::open("data/legacy-models/posmodel.bin")?; let pos: POSModel = ModelSerde::load(file, Format::AVRO(Codec::Deflate))?; let file = File::open("data/legacy-models/ner_model.bin")?; let ner: NERModel = ModelSerde::load(file, Format::AVRO(Codec::Deflate))?;

let words = cws.predict("他叫汤姆去拿外衣。");
let pos = pos.predict(&words);
let ner = ner.predict((&words, &pos));

for (w, p, n) in multizip((words, pos, ner)) {
    println!("{}/{}/{}", w, p, n);
}

Ok(())

} ```

features

• [x] 分句
• [x] 任务
  • [x] 中文分词(cws)
  • [ ] 对数字、英文、网址、邮件的处理
  • [x] 支持自定义词典
  • [x] 词性标注(pos)
  • [ ] 支持自定义词典
  • [x] 命名实体识别(ner)
• [x] 算法
  • [x] 平均感知机(ap)
  • [x] 单线程平均感知机
  • [x] 多线程平均感知机
  • [x] 被动攻击算法(pa)
• [ ] 模型量化
• [ ] 在线学习
• [ ] 增量学习

性能测试

评测环境

• Python 3.10
• MacBook Pro (16-inch, 2019)
• 处理器: 2.6 GHz 六核Intel Core i7
• 内存: 16 GB 2667 MHz DDR4

注: 速度测试文件大小为 33.85 MB / 305041 行 注: 速度测试为 Python 版本 LTP-Extension 的速度

分词

我们选择Jieba、Pkuseg、Thulac等国内代表分词软件与 LTP 做性能比较，根据第二届国际汉语分词测评发布的国际中文分词测评标准，对不同软件进行了速度和准确率测试。

在第二届国际汉语分词测评中，共有四家单位提供的测试语料（Academia Sinica、 City University 、Peking University(PKU) 、Microsoft Research(MSR)）, 在评测提供的资源icwb2-data 中包含了来自这四家单位的训练集（icwb2-data/training）、测试集（icwb2-data/testing）, 以及根据各自分词标准而提供的相应测试集的标准答案（icwb2-data/gold）．在icwb2-data/scripts目录下含有对分词进行自动评分的perl脚本score。

我们在统一测试环境下，对若干流行分词软件和 LTP 进行了测试，使用的模型为各分词软件自带模型。在PKU和MSR测试集评测结果如下：

| Algorithm | Speed(KB/s) | PKU(F1) | MSR(F1) | | ---------------------------------------------------------------------------- | ----------: | -------: | -------: | | Jieba | 982.49 | 81.8 | 81.3 | | Pkuseg | 109.72 | 93.4 | 87.3 | | Thulac | 48.13 | 94.0 | 87.9 | | Thulac[Fast] | 1133.21 | 同上 | 同上 | | LTP 3(pyltp) | 451.20 | 95.3 | 88.3 | | LTP legacy(1) | 1603.63 | 95.2 | 87.7 | | LTP legacy(2) | 2869.42 | 同上 | 同上 | | LTP legacy(4) | 4949.38 | 同上 | 同上 | | LTP legacy(8) | 6803.88 | 同上 | 同上 | | LTP legacy(16) | 7745.16 | 同上 | 同上 |

注：括号内为线程数量

注2：Jieba的词表是在人民日报数据集上统计的

流水线

除了分词以外，我们也测试了 LTP 三个任务（分词、词性标注、命名实体识别）流水线的速度：

| Algorithm | Speed(KB/s) | | ---------------------------------------------------------------------------- | ----------: | | LTP 3(pyltp) | 153.10 | | LTP legacy(1) | 508.74 | | LTP legacy(2) | 899.25 | | LTP legacy(4) | 1598.03 | | LTP legacy(8) | 2267.48 | | LTP legacy(16) | 2452.34 |

注：括号内为线程数量

注2：速度数据在人民日报命名实体测试数据上获得，速度计算方式均为所有任务顺序执行的结果。