Сравнительные таблицы морфологических анализаторов

О том, как мы сравнивали теггеры, подробно написано здесь.

Сводная таблица лучших теггеров

Теггеры	TreeTagger	TNT	Hunpos
Подход	HMM, decision tree	2ed oder MM, Vitebi algorithm	HMM
Язык	C++, Perl	ANSI C	OCaml
Точность в процентах (части речи)	96,94	96,19	96,41
Точность в процентах (все теги)	92,56	89,24	89,29
Время обучения	0,73	0,64	3,45
Время анализа данных	0,66	0,7	0,95

Accuracy	TreeTagger	TNT	Hunpos	Citar	SVMTool	Stanford	Morfette	Lapos
POS (части речи)	96,94%	96,19%	96,41%	94,76%	93,43%	95,82%	93,03%	20,07%
ALL (все теги)	92,56%	89,24%	89,29%	86,10%	86,24%	–*	–*	–*

* нет данных из-за нехватки вычислительных мощностей. Memory error =(

PyMorphy vs Mystem*

Теггер	Mystem	PyMorphy
Точность**	96,43%	90,65%

* теггеры сравниваются отдельно от остальных восьми, так как имеют другой набор тегов, а обучить самим эти анализаторы с выбранным набором тегов не представляется возможным.

** точность (accuracy) на частях речи

Сравнительная таблица времени обучения и анализа теггеров*

Теггеры	TreeTagger	TNT	Hunpos	Citar	SVMTool	Stanford	Morfette	Lapos
Подход	HMM, decision tree	HMM	HMM	HMM	SVM	MaxEnt	MaxEnt,average perceptron	Margin perceptron, look ahead
Язык	C++, Perl	ANSI C	OCaml	C++	C++, Perl	Java	Haskell	C++
Время обучения (части речи)	~ 12,78 sec	× 1,5	× 5,5	× 0,8	× 1150,0	× 800,0	× 1550,0	× 1120,0
Время анализа данных(части речи)	~ 8,62 sec	× 2,0	× 3,0	× 1,5	× 8,0	× 15,0	× 560,0	× 2000,0
Время обучения (все теги)	~ 601,59 sec	× 0,05	× 0,3	× 0,05	× 25,0	–	–	–
Время анализа данных (все теги)	~ 32,33 sec	× 1,5	× 2,5	× 5,5	× 20,0	–	–	–