Awesome Persian NLP/IR: 波斯语自然语言处理和信息检索资源大全
波斯语是世界上使用人数超过1亿的重要语言之一,在伊朗、阿富汗、塔吉克斯坦等国家广泛使用。随着自然语言处理(NLP)和信息检索(IR)技术的快速发展,针对波斯语的相关研究和应用也日益增多。然而,相比英语等主流语言,波斯语NLP和IR的资源仍然相对有限。为了促进这一领域的发展,GitHub用户mhbashari创建了名为"awesome-persian-nlp-ir"的开源项目,旨在全面收集和整理波斯语NLP和IR相关的工具、数据集、模型和研究资源,为从事相关研究与应用的开发者和研究人员提供便利。
项目概览
"awesome-persian-nlp-ir"项目是一个精选的资源列表,涵盖了波斯语NLP和IR领域的各个方面。该项目在GitHub上已获得超过700颗星和100多次分享,反映了其在相关领域的影响力。项目内容主要分为以下几个部分:
- 工具(Tools)
- 数据集(Datasets)
- 模型(Models)
- 代码仓库(Repositories)
- 论文和书籍(Papers and Books)
这种分类方式使得用户可以快速找到所需的资源。接下来,我们将详细介绍每个部分的主要内容。
工具
工具部分收集了各种用于波斯语文本处理和分析的软件工具,涵盖了NLP和IR的多个任务。以下是一些主要类别及代表性工具:
词性标注(Part-of-Speech Tagging)
- farsiNLPTools:开源的波斯语依存句法分析、词性标注和文本规范化工具。
- Hazm:波斯语NLP工具包,提供分词、词性标注、依存句法分析等功能。
语言检测(Language Detection)
- Google language detect (python port):轻量级的语言检测工具,对波斯语的效果很好。
分词和分句(Tokenization & Segmentation)
- tok-tok:快速、简单的多语言分词器。
- Persian Sentence Segmenter and Tokenizer: SeTPer:基于正则表达式的波斯语分句工具。
文本规范化和清理(Normalizer And Text Cleaner)
词干提取(Stemmer)
- PersianStemmer:基于模式匹配的波斯语词干提取算法,有Java、Python等多种实现。
拼写检查(Spell Checking)
- async_faspell:波斯语拼写检查器,可以为拼错的词提供建议。
这些工具为波斯语文本的预处理和基础NLP任务提供了很好的支持。研究人员和开发者可以根据自己的需求选择合适的工具。
数据集
高质量的数据集是NLP和IR研究的基础。"awesome-persian-nlp-ir"项目收集了大量波斯语语料库和标注数据集,涵盖了多个任务领域:
词性标注语料库
- Bijankhan Corpus:包含约260万手工标注词语的波斯语语料库,涵盖40个词性标签。
- Mojgan Seraji Corpus:乌普萨拉波斯语语料库(UPC),包含270万标记和31个词性标签。
命名实体识别数据集
- ArmanPersoNERCorpus:包含25万词语的波斯语命名实体识别数据集,采用IOB格式标注。
- FarsiYar PersianNER:基于波斯语维基百科的大规模命名实体识别数据集,包含约2500万词语。
情感分析数据集
- DeepSentiPers:波斯语情感分析数据集,包含多种深度学习模型。
- SentiPers:多级别标注的波斯语情感分析数据集。
问答数据集
- PersianQA:基于波斯语维基百科的阅读理解数据集,包含9000多个问答对。
平行语料库
- TEP: Tehran English-Persian Parallel Corpus:首个免费的英波平行语料库。
- OPUS: the open parallel corpus:包含波斯语在内的多语言平行语料库集合。
这些数据集为波斯语NLP和IR的各项任务提供了宝贵的训练和评估资源。研究人员可以根据具体任务选择合适的数据集进行实验。
模型
预训练模型是现代NLP的重要组成部分。"awesome-persian-nlp-ir"项目收集了多个针对波斯语的预训练模型:
命名实体识别
- ParsBERT-NER:基于ParsBERT在PEYMA和ARMAN数据集上微调的命名实体识别模型。
文本分类
- ParsBERT DigiMag:基于ParsBERT的波斯语文本分类模型,在DigiMag数据集上训练。
情感分析
- ParsBERT Digikala OpenData:基于ParsBERT的波斯语情感分析模型,在Digikala OpenData数据集上训练。
文本摘要
- BERT2BERT:基于ParsBERT的波斯语文本摘要模型,在Wiki Summary数据集上训练。
问答系统
- bert-base-fa-qa on PersianQA:基于BERT的波斯语问答模型,在PersianQA数据集上训练。
语言模型
- ParsBERT:针对波斯语的BERT预训练语言模型,在200多万文档的大规模语料库上训练。
- ALBERT-Persian:波斯语版本的ALBERT模型,在390万文档、13亿词的语料库上训练。
这些预训练模型为波斯语NLP任务提供了良好的起点,研究人员可以在此基础上进行进一步的微调和应用。
代码仓库
除了上述工具、数据集和模型外,"awesome-persian-nlp-ir"项目还收集了许多有价值的开源代码仓库,涵盖了各种波斯语NLP和IR任务的实现。这些代码仓库为研究人员提供了参考实现和基线系统,有助于加速相关研究的进展。
论文和书籍
为了帮助研究人员掌握波斯语NLP和IR的最新进展,"awesome-persian-nlp-ir"项目还整理了大量相关的学术论文和专著。这些文献资源涵盖了理论研究、算法创新、应用实践等多个方面,为研究人员提供了宝贵的知识来源。
结语
"awesome-persian-nlp-ir"项目为波斯语自然语言处理和信息检索领域提供了一个全面而有价值的资源集合。无论是刚接触这一领域的新手,还是经验丰富的研究人员,都可以在这个项目中找到有用的工具、数据和参考资料。随着项目的不断更新和社区的积极贡献,相信它将继续推动波斯语NLP和IR技术的发展,为更多语言和文化的数字化和信息化做出贡献。
对于有兴趣深入了解和贡献该项目的读者,可以访问项目的GitHub页面:awesome-persian-nlp-ir。同时,也欢迎波斯语NLP和IR领域的研究者和开发者积极参与,为这个开源项目贡献自己的力量,共同推动这一领域的发展。
