PyABSA
Release two more ABSA subtasks
أهلاً! يرجى تنظيم هذا الريبو إذا كان يساعدك! كل نجمة تساعد بيابسا على الذهاب أبعد من ذلك ، شكرا جزيلا. Pyabsa هي أداة مجانية ومفتوحة للمصدر للجميع ، ولكن يرجى عدم نسيان إرفاق معلومات المؤلف (غير الرسمية أو الرسمية) في أعمالك ومنتجاتك ومنشوراتك ، إلخ.
بصرف النظر عن الورقة ، هناك ميزتان جديدتان في Pyabsa: Side Sidtient Triplet Extraction واستخراج الجوانب الرباعية. لقد نشرنا العروض التوضيحية على مساحة Huggingface ، يمكنك تجربتها عبر الإنترنت.
قمنا بإعداد العديد من الأمثلة للمهام المختلفة. يرجى الرجوع إلى أمثلة لمزيد من أمثلة الاستخدام.
لاستخدام Pyabsa ، قم بتثبيت أحدث إصدار من PIP أو رمز المصدر:
pip install -U pyabsagit clone https://github.com/yangheng95/PyABSA --depth=1
cd PyABSA
python setup.py install from pyabsa import AspectTermExtraction as ATEPC , available_checkpoints
# you can view all available checkpoints by calling available_checkpoints()
checkpoint_map = available_checkpoints ()
aspect_extractor = ATEPC . AspectExtractor ( 'multilingual' ,
auto_device = True , # False means load model on CPU
cal_perplexity = True ,
)
# instance inference
aspect_extractor . predict ([ 'I love this movie, it is so great!' ],
save_result = True ,
print_result = True , # print the result
ignore_error = True , # ignore the error when the model cannot predict the input
)
inference_source = ATEPC . ATEPCDatasetList . Restaurant16
atepc_result = aspect_extractor . batch_predict ( target_file = inference_source , #
save_result = True ,
print_result = True , # print the result
pred_sentiment = True , # Predict the sentiment of extracted aspect terms
)
print ( atepc_result )
from pyabsa import AspectPolarityClassification as APC , available_checkpoints
# you can view all available checkpoints by calling available_checkpoints()
checkpoint_map = available_checkpoints ( show_ckpts = True )
classifier = APC . SentimentClassifier ( 'multilingual' ,
auto_device = True , # False means load model on CPU
cal_perplexity = True ,
)
# instance inference
classifier . predict ([ 'I love this movie, it is so great!' ],
save_result = True ,
print_result = True , # print the result
ignore_error = True , # ignore the error when the model cannot predict the input
)
inference_source = APC . APCDatasetList . Laptop14
apc_result = classifier . batch_predict ( target_file = inference_source , #
save_result = True ,
print_result = True , # print the result
pred_sentiment = True , # Predict the sentiment of extracted aspect terms
)
print ( apc_result )يرجى الرجوع إلى الوثائق: وثائق Pyabsa. إذا كان لديك أي أسئلة حول المستندات ، فلا تتردد في إثارة مشكلة. أيضا ، يمكنك الانضمام لتحسين المستندات.
يعتمد هذا المستودع على أوراقنا لأبحاث ABSA. فيما يلي الأوراق التي يمكنك الاستشهاد بها أو الرجوع إليها لتطبيقاتك:
إذا كنت تبحث عن الاقتراح الأصلي لتركيز السياق المحلي ، فإليك بعض المقدمة هنا.
@inproceedings { YangZL23 ,
author = { Heng Yang and
Chen Zhang and
Ke Li } ,
editor = { Ingo Frommholz and
Frank Hopfgartner and
Mark Lee and
Michael Oakes and
Mounia Lalmas and
Min Zhang and
Rodrygo L. T. Santos } ,
title = { PyABSA: {A} Modularized Framework for Reproducible Aspect-based Sentiment
Analysis } ,
booktitle = { Proceedings of the 32nd {ACM} International Conference on Information
and Knowledge Management, {CIKM} 2023, Birmingham, United Kingdom,
October 21-25, 2023 } ,
pages = { 5117--5122 } ,
publisher = { {ACM} } ,
year = { 2023 } ,
url = { https://doi.org/10.1145/3583780.3614752 } ,
doi = { 10.1145/3583780.3614752 } ,
timestamp = { Thu, 23 Nov 2023 13:25:05 +0100 } ,
biburl = { https://dblp.org/rec/conf/cikm/0008ZL23.bib } ,
bibsource = { dblp computer science bibliography, https://dblp.org }
}تم تطوير هذا المستودع وصيانته بواسطة Heng Yang (Yangheng95@github) ، مع مساهمة كبيرة من الباحثين في المجتمع. نتوقع أن تتمكن من مساعدتنا في تحسين هذا المشروع ، ومساهماتك مرحب بها. يمكنك تقديم مساهمة بعدة طرق ، بما في ذلك:
يتم إصدار Pyabsa بموجب ترخيص MIT ، يرجى الاستشهاد بهذا الريبو (أو الأوراق) أو إرفاق معلومات المؤلف في عملك (المستودع ، المدونة ، المنتج ، إلخ)
