dmytro_ushatenko/pages/topics/spacy/README.md

title	published	taxonomy
Podpora slovenčiny v knižnici Spacy	true	category tag author project spacy nn pos ner annotation nlp Daniel Hladek

Trénovanie modelov Spacy

Ciele

• Vytvoriť modul v jazyku Python pre podporu slovenčiny
• Natrénovať štatistické modely:
  • pre morfologickú analýzu
  • rozpoznávanie pomenovaných entít
• Unifikovaný systém pre predspracovanie slovenského jazyka
• Možné aplikácie:
  • Podporiť dialógový systém RASA
  • Neurónové vyhľadávanie

Hotové úlohy

• trénovanie modelu Spacy 2, kompletné skripty
• trénovanie modelu Spacy 3 do SNK POS tagsetu (ver. 3.0), kompletné skripty
• trénovanie modelu Spacy 3 do UD tagsetu (ver. 3.1.), kompletné skripty
• zahrnuté slovné vektory Fasttext Common Crawl
• Trénovanie Dependency, POS pomocu UD Corpus
• Trénovanie NER pomocou automatického korpusu WikiNER (druhý model).

Budúce úlohy

• Zahrnúť predtrénované modely (MultilingualBert, SlovakBert....).
• Nájsť optimálne hyperparametre.
• Zostaviť korpus pomenovaných entít.
• Zaradiť model do oficiálnej distribúcie Explosion AI, podmienka je vlastný korpus pomenovaných entít.

Neprioritné úlohy (zásobník)

• Zaradiť vlastné WordEmbedding (fasttext).
• Pridať lexikálne pravidlá (skratky, stop slová) do oficiálnej distrubúcie Spacy.
• Zaradiť MultextEast do trénovania. Tam je ale potrebné konvertovať tagy do UD.

Súvisiace projekty

• Anotácia pomenovaných entít pomocu frameworku Prodigy.
• Predtrénovanie jazykového modelu

Repozitár

• https://github.com/hladek/spacy-skmodel
• Repozitár Jozef Olekšák(slovenské stop words a pravidlá)
• https://files.kemt.fei.tuke.sk/minio/models/spacy/ Hotové spacy modely

Ľudia

• Maroš Harahus (štatistické značkovanie)
• Kristián Sopkovič (vylepšenie parametrov, transformery)

Ukončené projekty

• Jozef Olekšák (slovenské stop words a pravidlá),
• Lukáš Pokrývka (Word Embedding Modely)
• Martin Wencel demo aplikácia