0
雷鋒網 AI科技評論消息，艾倫人工智能研究院（AI2）開源AllenNLP，它是一個基于PyTorch的NLP研究庫，利用深度學習來進行自然語言理解，通過處理低層次的細節、提供高質量的參考實現，能輕松快速地幫助研究員構建新的語言理解模型。
AllenNLP能讓設計和評估新的深度學習模型變得簡單，幾乎適用于任何NLP問題，通過利用一些基礎組件，你可以輕松地在云端或是你自己的筆記本上跑模型。
關于AllenNLP的詳細信息，可以參見論文AllenNLP: A Deep Semantic Natural Language Processing Platform，地址：http://allennlp.org/papers/AllenNLP_white_paper.pdf
模型對比
下面是AllenNLP模型與相關模型的對比，前者在合理的訓練時間下均能取的較好的表現：
機器理解
機器理解（Machine Comprehension，MC）模型通過在文本內選擇一段內容來回答自然語言問題。AllenNLP MC模型能重現BiDAF（Bi-Directional Attention Flow）的效果，后者在SQuAD數據集上跑分已經接近state-of-the-art。AllenNLP BIDAF在 SQuAD dev數據集中的EM分為68.7，只比原始BIDAF模型的67.7分多一點點，兩者同樣在p2.xlarge上訓練了4個小時。
語義角色標注
語義角色標注（Semantic Role Labeling，SRL）模型分析句子中各成分與謂詞之間的關系，建造表征來回答關于句義的基本問題，如“誰對誰做了什么”等。AllenNLP SRL模型能重現深度BiLSTM模型的效果，在CoNLL 2012上能得到78.9的F1分數。
文字蘊涵
文字蘊涵（Textual Entailment，TE）模型分析兩個句子，分析一個句子中是否蘊涵了另一個句子的知識。AllenNLP TE模型能重現可分解注意力模型的效果，后者在SNLI數據集上有接近state-of-the-art的表現。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 AI科技評論編輯整理。雷鋒網。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
