java - 提高基于斯坦福标注器的程序的性能

Question

我刚刚在 Java 中实现了一个使用斯坦福词性标注器的程序。

我使用了一个几 KB 大小的输入文件，由几百个单词组成。我什至将堆大小设置为 600 MB。

但它仍然很慢，有时会用完堆内存。我怎样才能提高它的执行速度和内存性能？我希望能够使用几 MB 作为输入。

  public static void postag(String args) throws ClassNotFoundException

  {

     try

     {

     File filein=new File("c://input.txt");

     String content = FileUtils.readFileToString(filein);

     MaxentTagger tagger = new MaxentTagger("postagging/wsj-0-18-bidirectional-distsim.tagger");

     String tagged = tagger.tagString(content);

        try 
        {
            File file = new File("c://output.txt");
            if (!file.exists()) 
            {
                file.createNewFile();
            } 

            FileWriter fw = new FileWriter(file.getAbsoluteFile());
            BufferedWriter bw = new BufferedWriter(fw);
            bw.write("\n"+tagged);
            bw.close();

            }
              catch (IOException e) 
              {
                    e.printStackTrace();
               }

     } catch (IOException e1)
     {
         e1.printStackTrace();
     }

 }

Answer 1

主要的第一条建议是使用 wsj-0-18-left3words-distsim.tagger(或者可能更好，english-left3words-distsim.tagger 在最近的版本中，用于一般文本)，而不是 wsj-0-18-bidirectional-distsim.tagger。虽然双向标记器的标记性能略微更好，但它的速度要慢大约 6 倍，并且使用大约两倍的内存。图 FWIW:在 2012 MacBook Pro 上，当提供足够的文本来“预热”时，left3words 标记器将以每秒大约 35000 个单词的速度标记文本。

关于内存使用的另一条建议是，如果您有大量文本，请确保以合理大小的 block 将其传递给 tagString()，而不是全部作为一个巨大的字符串，因为整个字符串将被立即标记化，增加了内存需求。