摘要
词性标注（Part-of-speech, POS） tagging 是自然语言处理（NLP）领域的一项经典任务。尽管已有大量工具和语料库被提出，尤其是在使用最广泛的语言中，但这些资源在用户许可协议、词性标签集规模，或所采用方法已不再处于当前技术前沿等方面仍存在诸多局限。本文提出 ANTILLES，这是对现有法语语料库（UD French-GSD）的扩展版本，其标签体系基于形态特征（如性、数、时态等）自动生成，具有原创性。该扩展版本共包含 65 个词性标签，相较原始版本的 16 个标签有显著扩充。此外，我们基于该语料库开发了多个面向法语的词性标注工具，融合了该领域最新的技术进展。所构建的语料库及相应的词性标注工具均完全开源，可免费获取与使用。
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| part-of-speech-tagging-on-antilles | Bi-LSTM-CRF + Flair Embeddings + CamemBERT (oscar−138gb−base) Embeddings | Weighted Average F1-score: 97.98 |