spikex
1.0.0
Spikex عبارة عن مجموعة من الأنابيب الجاهزة للتوصيل في خط أنابيب Spacy. ويهدف إلى المساعدة في بناء أدوات استخراج المعرفة بجهد تقريبًا الصفر.
لم يكن Wikigraph سريعًا جدًا:
Doc استنادًا إلى اسم سمة مخصصة وأنماط عبارة. ومن الأمثلة على ذلك nounphrasex و ferbphrasex ، والتي تستخرج عبارات الاسم وعبارات الأفعال ، على التواليبعض المتطلبات موروثة من Spacy:
تستخدم بعض التبعيات Cython ويجب تثبيتها قبل Spikex:
pip install cythonتذكر أن البيئة الافتراضية يوصى دائمًا ، من أجل تجنب تعديل حالة النظام.
في هذه المرحلة ، يعد تثبيت Spikex عبر PIP أمرًا واحدًا:
pip install spikexتعمل أنابيب Spikex مع Spacy ، وبالتالي هناك حاجة لتثبيت نموذج. اتبع التعليمات الرسمية هنا. تم دعم Spacy 3.0 العلامة التجارية الجديدة!
تم تصميم WikiGraph بدءًا من بعض المكونات الرئيسية لـ Wikipedia: الصفحات والفئات والعلاقات بينها.
يمكن أن يستغرق إنشاء WikiGraph بعض الوقت ، اعتمادًا على حجم تفريغ ويكيبيديا. لهذا السبب ، نقدم wikigraphs جاهزة لاستخدامها:
| تاريخ | wikigraph | لانغ | الحجم (مضغوط) | الحجم (الذاكرة) | |
|---|---|---|---|---|---|
| 2021-05-20 | enwiki_core | en | 1.3 جيجابايت | 8 جيجا بايت | |
| 2021-05-20 | simplewiki_core | en | 20 ميجابايت | 130 ميجابايت | |
| 2021-05-20 | itwiki_core | هو - هي | 208 ميجابايت | 1.2 جيجابايت | |
| المزيد قادم ... |
يوفر Spikex أمرًا لاختصار تنزيل وتثبيت WikiGraph (Linux أو MacOS ، ويندوز غير مدعوم بعد):
spikex download-wikigraph simplewiki_core يمكن إنشاء WikiGraph من سطر الأوامر ، وتحديد مكب Wikipedia الذي يجب اتخاذه وأين يتم حفظه:
spikex create-wikigraph
< YOUR-OUTPUT-PATH >
--wiki < WIKI-NAME, default: en >
--version < DUMP-VERSION, default: latest >
--dumps-path < DUMPS-BACKUP-PATH > ثم يجب تعبئتها وتثبيتها:
spikex package-wikigraph
< WIKIGRAPH-RAW-PATH >
< YOUR-OUTPUT-PATH >اتبع الإرشادات الموجودة في نهاية عملية التعبئة وقم بتثبيت حزمة التوزيع في بيئتك الافتراضية. أنت الآن مستعد لاستخدام wikigraph الخاص بك كما يحلو لك:
from spikex . wikigraph import load as wg_load
wg = wg_load ( "enwiki_core" )
page = "Natural_language_processing"
categories = wg . get_categories ( page , distance = 1 )
for category in categories :
print ( category )
> >> Category : Speech_recognition
> >> Category : Artificial_intelligence
> >> Category : Natural_language_processing
> >> Category : Computational_linguisticsيتطابق المطابقة مع SPACY ، ولكنه أسرع عندما يتعلق الأمر بالتعامل مع العديد من الأنماط في وقت واحد (ترتيب الآلاف) ، لذلك اتبع تعليمات الاستخدام الرسمية هنا.
مثال تافهة:
from spikex . matcher import Matcher
from spacy import load as spacy_load
nlp = spacy_load ( "en_core_web_sm" )
matcher = Matcher ( nlp . vocab )
matcher . add ( "TEST" , [[{ "LOWER" : "nlp" }]])
doc = nlp ( "I love NLP" )
for _ , s , e in matcher ( doc ):
print ( doc [ s : e ])
> >> NLP يستخدم WikiPageX Pipe WikiGraph من أجل العثور على قطع في نص يتطابق مع عناوين صفحة ويكيبيديا.
from spacy import load as spacy_load
from spikex . wikigraph import load as wg_load
from spikex . pipes import WikiPageX
nlp = spacy_load ( "en_core_web_sm" )
doc = nlp ( "An apple a day keeps the doctor away" )
wg = wg_load ( "simplewiki_core" )
wpx = WikiPageX ( wg )
doc = wpx ( doc )
for span in doc . _ . wiki_spans :
print ( span . _ . wiki_pages )
> >> [ 'An' ]
> >> [ 'Apple' , 'Apple_(disambiguation)' , 'Apple_(company)' , 'Apple_(tree)' ]
> >> [ 'A' , 'A_(musical_note)' , 'A_(New_York_City_Subway_service)' , 'A_(disambiguation)' , 'A_(Cyrillic)' )]
> >> [ 'Day' ]
> >> [ 'The_Doctor' , 'The_Doctor_(Doctor_Who)' , 'The_Doctor_(Star_Trek)' , 'The_Doctor_(disambiguation)' ]
> >> [ 'The' ]
> >> [ 'Doctor_(Doctor_Who)' , 'Doctor_(Star_Trek)' , 'Doctor' , 'Doctor_(title)' , 'Doctor_(disambiguation)' ] يأخذ أنبوب ClusterX قطعًا اسمًا في نص وتجمعها باستخدام خوارزمية خريطة الكرة الشعاعية.
from spacy import load as spacy_load
from spikex . pipes import ClusterX
nlp = spacy_load ( "en_core_web_sm" )
doc = nlp ( "Grab this juicy orange and watch a dog chasing a cat." )
clusterx = ClusterX ( min_score = 0.65 )
doc = clusterx ( doc )
for cluster in doc . _ . cluster_chunks :
print ( cluster )
> >> [ this juicy orange ]
> >> [ a cat , a dog ]يجد أنبوب ABBRX اختصارات واختصارات في النص ، وربط أشكال قصيرة وطويلة معًا:
from spacy import load as spacy_load
from spikex . pipes import AbbrX
nlp = spacy_load ( "en_core_web_sm" )
doc = nlp ( "a little snippet with an abbreviation (abbr)" )
abbrx = AbbrX ( nlp . vocab )
doc = abbrx ( doc )
for abbr in doc . _ . abbrs :
print ( abbr , "->" , abbr . _ . long_form )
> >> abbr - > abbreviation يطابق أنبوب LabelX والملصقات في النص ، وحل التراكبات ، والاختصارات والمختصرات.
from spacy import load as spacy_load
from spikex . pipes import LabelX
nlp = spacy_load ( "en_core_web_sm" )
doc = nlp ( "looking for a computer system engineer" )
patterns = [
[{ "LOWER" : "computer" }, { "LOWER" : "system" }],
[{ "LOWER" : "system" }, { "LOWER" : "engineer" }],
]
labelx = LabelX ( nlp . vocab , [( "TEST" , patterns )], validate = True , only_longest = True )
doc = labelx ( doc )
for labeling in doc . _ . labelings :
print ( labeling , f"[ { labeling . label_ } ]" )
> >> computer system engineer [ TEST ] ينشئ PhraseX Pipe امتدادًا ترفيديًا لـ Doc مخصص يفي بمباريات من أنماط العبارات.
from spacy import load as spacy_load
from spikex . pipes import PhraseX
nlp = spacy_load ( "en_core_web_sm" )
doc = nlp ( "I have Melrose and McIntosh apples, or Williams pears" )
patterns = [
[{ "LOWER" : "mcintosh" }],
[{ "LOWER" : "melrose" }],
]
phrasex = PhraseX ( nlp . vocab , "apples" , patterns )
doc = phrasex ( doc )
for apple in doc . _ . apples :
print ( apple )
> >> Melrose
> >> McIntoshتقسيم أنبوب Sentx جمل في نص. يقوم بتعديل سمة الرموز ' IS_SENT_START ، لذلك من الضروري إضافتها قبل أنبوب المحلل في خط أنابيب Spacy:
from spacy import load as spacy_load
from spikex . pipes import SentX
from spikex . defaults import spacy_version
if spacy_version >= 3 :
from spacy . language import Language
@ Language . factory ( "sentx" )
def create_sentx ( nlp , name ):
return SentX ()
nlp = spacy_load ( "en_core_web_sm" )
sentx_pipe = SentX () if spacy_version < 3 else "sentx"
nlp . add_pipe ( sentx_pipe , before = "parser" )
doc = nlp ( "A little sentence. Followed by another one." )
for sent in doc . sents :
print ( sent )
> >> A little sentence .
> >> Followed by another one .لا تتردد في المساهمة والمتعة!
