TUPA 1.4.1

要求

• Python3.6

安装

创建一个python虚拟环境。例如，在Linux上：

virtualenv --python=/usr/bin/python3 venv
. venv/bin/activate              # on bash
source venv/bin/activate.csh     # on csh

安装最新版本：

pip install tupa

或者，从github安装最新的代码（可能不稳定）：

git clone https://github.com/danielhers/tupa
cd tupa
pip install .

训练解析器

有一个包含ucca通道文件的目录（例如，the English Wiki corpus）， 运行：

python -m tupa -t <train_dir> -d <dev_dir> -c <model_type> -m <model_filename>

可能的模型类型有sparse、mlp和bilstm。

分析文本文件

使用 培训模式：

python -m tupa example.txt -m <model_filename>

每篇文章将创建一个xml文件（用空白行分隔 文本文件）。

预先培训的模型

要下载并提取a model pre-trained on the Wiki corpus， 运行：

curl -LO https://github.com/huji-nlp/tupa/releases/download/v1.3.10/ucca-bilstm-1.3.10.tar.gz
tar xvzf ucca-bilstm-1.3.10.tar.gz

使用模型运行解析器：

python -m tupa example.txt -m models/ucca-bilstm

其他语言

获取a model 在French *20K Leagues* corpus上接受过预先培训 或a model 在German *20K Leagues* corpus上接受过预先培训， 运行：

curl -LO https://github.com/huji-nlp/tupa/releases/download/v1.3.10/ucca-bilstm-1.3.10-fr.tar.gz
tar xvzf ucca-bilstm-1.3.10-fr.tar.gz
curl -LO https://github.com/huji-nlp/tupa/releases/download/v1.3.10/ucca-bilstm-1.3.10-de.tar.gz
tar xvzf ucca-bilstm-1.3.10-de.tar.gz

在法文/德文文本文件上运行解析器（用空白分隔段落 行）：

python -m tupa exemple.txt -m models/ucca-bilstm-fr --lang fr
python -m tupa beispiel.txt -m models/ucca-bilstm-de --lang de

使用bert嵌入

可以使用bert嵌入代替标准 不具有上下文意识的嵌入。要使用它们，请传递--use-bert 相关命令中的参数，并在 requirements.bert.txt:

python -m pip install -r requirements.bert.txt

请参阅config.py中可能的配置选项（相关配置包括 前缀为bert。

使用bert嵌入：多语言培训

当使用bert嵌入时，可以训练多语言 利用跨语言迁移提高学习效果的模型 低资源语言。要在所需的多语言设置中进行培训 to:1）通过传递--use-bert参数来使用bert嵌入。2个） 通过传递 参数--bert-model=bert-base-multilingual-cased3）传递 --bert-multilingual=0参数。4）确保UCCA通道文件 拥有lang属性。查看包中的脚本“set_lang” semstr。

伯特性能

下面是3个bert多语言模型的平均结果 在German *20K Leagues* corpus， English Wiki_corpus 只有15个句子来自French *20K Leagues* corpus， 具有以下设置：

bert-model=bert-base-multilingual-cased
bert-layers= -1 -2 -3 -4
bert-layers-pooling=weighted
bert-token-align-by=sum

结果：

*English *20K Leagues* corpus 用作域外测试。

伯特预训练模型

要下载并提取a multilingual model， 运行：

curl -LO https://github.com/huji-nlp/tupa/releases/download/v1.4.0/bert_multilingual_layers_4_layers_pooling_weighted_align_sum.tar.gz
tar xvzf bert_multilingual_layers_4_layers_pooling_weighted_align_sum.tar.gz

要使用该模式运行解析器，请使用以下命令。支付 注意，您需要用语言替换[example lang]。 example.txt（fr、en、de等）中句子的符号：

python -m tupa example.txt --lang [example lang] -m bert_multilingual_layers_4_layers_pooling_weighed_align_sum

模型是在German *20K Leagues* corpus上训练的， English Wiki_corpus 只有来自French *20K Leagues* corpus的15个句子。

请参见BERT Performance处的预期性能。

@InProceedings{hershcovich2017a,
  author    = {Hershcovich, Daniel  and  Abend, Omri  and  Rappoport, Ari},
  title     = {A Transition-Based Directed Acyclic Graph Parser for {UCCA}},
  booktitle = {Proc. of ACL},
  year      = {2017},
  pages     = {1127--1138},
  url       = {http://aclweb.org/anthology/P17-1104}
}

curl -L https://raw.githubusercontent.com/huji-nlp/tupa/master/experiments/acl2017.sh | bash

@InProceedings{hershcovich2018multitask,
  author    = {Hershcovich, Daniel  and  Abend, Omri  and  Rappoport, Ari},
  title     = {Multitask Parsing Across Semantic Representations},
  booktitle = {Proc. of ACL},
  year      = {2018},
  pages     = {373--385},
  url       = {http://aclweb.org/anthology/P18-1035}
}

curl -L https://raw.githubusercontent.com/huji-nlp/tupa/master/experiments/acl2018.sh | bash