艾伦人工智能研究院（AI2）开源AllenNLP，它是一个基于PyTorch的NLP研究库，利用深度学习来进行自然语言理解，通过处理低层次的细节、提供高质量的参考实现，能轻松快速地帮助研究员构建新的语言理解模型。

AllenNLP能让设计和评估新的深度学习模型变得简单，几乎适用于任何NLP问题，通过利用一些基础组件，你可以轻松地在云端或是你自己的笔记本上跑模型。

关于AllenNLP的详细信息，可以参见论文AllenNLP: A Deep Semantic Natural Language Processing Platform，地址：http://allennlp.org/papers/AllenNLP_white_paper.pdf

模型对比

 下面是AllenNLP模型与相关模型的对比，前者在合理的训练时间下均能取的较好的表现：

• 机器理解

机器理解（Machine Comprehension，MC）模型通过在文本内选择一段内容来回答自然语言问题。AllenNLP MC模型能重现BiDAF（Bi-Directional Attention Flow）的效果，后者在SQuAD数据集上跑分已经接近state-of-the-art。AllenNLP BIDAF在 SQuAD dev数据集中的EM分为68.7，只比原始BIDAF模型的67.7分多一点点，两者同样在p2.xlarge上训练了4个小时。

• 语义角色标注

语义角色标注（Semantic Role Labeling，SRL）模型分析句子中各成分与谓词之间的关系，建造表征来回答关于句义的基本问题，如“谁对谁做了什么”等。AllenNLP SRL模型能重现深度BiLSTM模型的效果，在CoNLL 2012上能得到78.9的F1分数。

• 文字蕴涵

文字蕴涵（Textual Entailment，TE）模型分析两个句子，分析一个句子中是否蕴涵了另一个句子的知识。AllenNLP TE模型能重现可分解注意力模型的效果，后者在SNLI数据集上有接近state-of-the-art的表现。AllenNLP TE模型得到了84.7分，可以与可分解注意力模型得到的86.3分相提并论。

代码地址：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/