Stanza (früher StanfordNLP) ist eine hochmoderne, Open-Source-Natural-Language-Processing-(NLP)-Bibliothek der Stanford NLP Group. Sie bietet genaue, mehrsprachige Pipelines für zentrale NLP-Aufgaben.
Kernfunktionen
- Tokenisierung & Satzsegmentierung: Robust in über 70 Sprachen.
- Part-of-Speech-(POS)-Tagging: Universal Dependencies (UD)-Tagset.
- Lemmatisierung: Wörterbuchform von Wörtern.
- Dependency Parsing: UD-syntaktische Relationen.
- Named Entity Recognition (NER): 18 Entitätstypen (Person, Organisation, Ort, Datum usw.).
- Coreference Resolution: Verknüpft Pronomen mit ihren Antezedens.
- Constituency Parsing: Phrasenstruktur-Bäume.
Hauptmerkmale
- Mehrsprachig: Vortrainierte Modelle für über 70 Sprachen (einschließlich low-resource).
- Neuralarchitektur: BiLSTM + transformerbasierte Modelle; GPU-beschleunigt.
- Pythonische API: Einfache Pipeline-Schnittstelle (`stanza.Pipeline(lang='en')`).
- Anpassbar: Training/Feinabstimmung auf Domänendaten (biomedizinisch, juristisch usw.).
- Reproduzierbar: Versionierte Modelle, deterministische Inferenz.
Anwendungen
- Biomedizinisches Text Mining (klinische Notizen, Literatur)
- Informationsextraktion, Wissensgraph-Konstruktion
- Sentimentanalyse, Meinungsmining
- Maschinelle Übersetzungsvorverarbeitung
- Chatbots, Dialogsysteme
- Juristische Dokumentenanalyse
- Social-Media-Monitoring
Zugriff
Open-Source (Apache 2.0). Installation: `pip install stanza`. Modelle werden beim ersten Gebrauch automatisch heruntergeladen. Dokumentation und Modelle: stanfordnlp.github.io/stanza.
