雷鋒網(wǎng) AI科技評(píng)論消息，艾倫人工智能研究院（AI2）開(kāi)源AllenNLP，它是一個(gè)基于PyTorch的NLP研究庫(kù)，利用深度學(xué)習(xí)來(lái)進(jìn)行自然語(yǔ)言理解，通過(guò)處理低層次的細(xì)節(jié)、提供高質(zhì)量的參考實(shí)現(xiàn)，能輕松快速地幫助研究員構(gòu)建新的語(yǔ)言理解模型。

AllenNLP能讓設(shè)計(jì)和評(píng)估新的深度學(xué)習(xí)模型變得簡(jiǎn)單，幾乎適用于任何NLP問(wèn)題，通過(guò)利用一些基礎(chǔ)組件，你可以輕松地在云端或是你自己的筆記本上跑模型。

關(guān)于AllenNLP的詳細(xì)信息，可以參見(jiàn)論文AllenNLP: A Deep Semantic Natural Language Processing Platform，地址：http://allennlp.org/papers/AllenNLP_white_paper.pdf

模型對(duì)比

 下面是AllenNLP模型與相關(guān)模型的對(duì)比，前者在合理的訓(xùn)練時(shí)間下均能取的較好的表現(xiàn)：

• 機(jī)器理解

機(jī)器理解（Machine Comprehension，MC）模型通過(guò)在文本內(nèi)選擇一段內(nèi)容來(lái)回答自然語(yǔ)言問(wèn)題。AllenNLP MC模型能重現(xiàn)BiDAF（Bi-Directional Attention Flow）的效果，后者在SQuAD數(shù)據(jù)集上跑分已經(jīng)接近state-of-the-art。AllenNLP BIDAF在 SQuAD dev數(shù)據(jù)集中的EM分為68.7，只比原始BIDAF模型的67.7分多一點(diǎn)點(diǎn)，兩者同樣在p2.xlarge上訓(xùn)練了4個(gè)小時(shí)。

• 語(yǔ)義角色標(biāo)注

語(yǔ)義角色標(biāo)注（Semantic Role Labeling，SRL）模型分析句子中各成分與謂詞之間的關(guān)系，建造表征來(lái)回答關(guān)于句義的基本問(wèn)題，如“誰(shuí)對(duì)誰(shuí)做了什么”等。AllenNLP SRL模型能重現(xiàn)深度BiLSTM模型的效果，在CoNLL 2012上能得到78.9的F1分?jǐn)?shù)。

• 文字蘊(yùn)涵

文字蘊(yùn)涵（Textual Entailment，TE）模型分析兩個(gè)句子，分析一個(gè)句子中是否蘊(yùn)涵了另一個(gè)句子的知識(shí)。AllenNLP TE模型能重現(xiàn)可分解注意力模型的效果，后者在SNLI數(shù)據(jù)集上有接近state-of-the-art的表現(xiàn)。AllenNLP TE模型得到了84.7分，可以與可分解注意力模型得到的86.3分相提并論。

代碼地址：https://github.com/allenai/allennlp/archive/v0.2.0.zip（zip）；

https://github.com/allenai/allennlp/archive/v0.2.0.tar.gz（tar.gz）

更多信息，可以查看：http://allennlp.org/

雷鋒網(wǎng) AI科技評(píng)論編輯整理。雷鋒網(wǎng)。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。