Stanza (tidigare StanfordNLP) är en modern, öppen källkod bibliotek för natur språk bearbetning (NLP) från Stanford NLP-gruppen. Det ger noggranna, flerspråkiga pipelines för kärn-NLP-uppgifter.
Kärnkapaciteter
- Tokenisering & meningsskiltning: Robust över 70+ språk.
- Ordklassmärkning (POS): Universal Dependencies (UD) taggset.
- Lemmatisering: Ords grundform.
- Dependensparsing: UD syntaktiska relationer.
- Namngiven entitetsigenkänning (NER): 18 entitetstyper (person, org, plats, datum, etc.).
- Koreferensupplösning: Kopplar pronomen till antecedenter.
- Konstituentparsing: Fras-strukturträd.
Viktiga funktioner
- Flerspråkigt: Förtränade modeller för 70+ språk (inkl. lågresurs).
- Neural arkitektur: BiLSTM + transformer-baserade modeller; GPU-accelererad.
- Python-API: Enkelt pipeline-gränssnitt (`stanza.Pipeline(lang='sv')`).
- Anpassningsbart: Träna/fine-tune på domänspecifik data (biomedicinsk, juridisk, etc.).
- Reproducerbar: Versionerade modeller, deterministisk inferens.
Tillämpningar
- Biomedicinsk textutvinning (kliniska anteckningar, litteratur)
- Informationsutvinning, kunskapsgrafkonstruktion
- Sentimentanalys, opinionsutvinning
- Maskinöversättning förbehandling
- Chatbots, dialogsystem
- Juridisk dokumentanalys
- Sociala medier övervakning
Tillgång
Öppen källkod (Apache 2.0). Installation: `pip install stanza`. Modeller laddas ner automatiskt vid första användning. Dokumentation och modeller: stanfordnlp.github.io/stanza.
