holmes extractor
Holmes 4.0.0
Autor: Richard Paul Hudson, Explosion AI
Managermanager.nlpOntologySupervisedTopicTrainingBasis (zurückgegeben von Manager.get_supervised_topic_training_basis() ))SupervisedTopicModelTrainer (zurückgegeben von SupervisedTopicTrainingBasis.train() )SupervisedTopicClassifier (zurückgegeben von SupervisedTopicModelTrainer.classifier() und Manager.deserialize_supervised_topic_classifier() ))Manager.match()Manager.topic_match_documents_against()Holmes ist eine Python 3 -Bibliothek (V3.6 - V3.10), die auf Spacy (V3.1 - V3.3) ausgeführt wird, die eine Reihe von Anwendungsfällen unterstützt, die Informationen aus englischen und deutschen Texten beinhalten. In allen Anwendungsfällen basiert die Informationsextraktion auf der Analyse der semantischen Beziehungen, die durch die Komponententeile jedes Satzes ausgedrückt werden:
Im Chatbot -Anwendungsfall wird das System mit einer oder mehreren Suchphrasen konfiguriert. Holmes sucht dann nach Strukturen, deren Bedeutungen denen dieser Suchphrasen in einem durchsuchten Dokument entsprechen, die in diesem Fall einem einzelnen Snippet aus Text oder Sprache entspricht, das vom Endbenutzer eingegeben wird. Innerhalb einer Übereinstimmung entspricht jedes Wort mit seiner eigenen Bedeutung (dh, die nicht nur eine grammatikalische Funktion erfüllt) in der Suchphrase einem oder mehreren solchen Wörtern im Dokument. Sowohl die Tatsache, dass eine Suchphrase übereinstimmt, als auch alle strukturierten Informationen, mit denen die Suchphrasenextrakte zum Starten des Chatbots verwendet werden können.
Der Gebrauchsfall für strukturelle Extraktion verwendet genau die gleiche strukturelle Übereinstimmungstechnologie wie der Chatbot-Anwendungsfall. Die Suche findet jedoch in Bezug auf ein bereits bestehendes Dokument oder Dokumente statt, die in der Regel viel länger sind als die im Chatbot-Anwendungsfall analysierten Snippets, und das Ziel ist es, strukturierte Informationen zu extrahieren und zu speichern. Beispielsweise könnte eine Reihe von Geschäftsartikeln durchsucht werden, um alle Orte zu finden, an denen ein Unternehmen eine zweite Firma übernehmen soll. Die Identität der betreffenden Unternehmen könnte dann in einer Datenbank gespeichert werden.
Das Thema, das der Anwendungsfall entspricht, zielt darauf ab, Passagen in einem Dokument oder Dokumenten zu finden, deren Bedeutung dem eines anderen Dokuments nahe steht, das die Rolle des Abfragendokuments übernimmt, oder an die einer vom Benutzer eingegebenen Abfragebestellung . Holmes extrahiert eine Reihe kleiner Phrasen aus dem Abfrage -Phrase oder Abfragendokument, entspricht den Dokumenten, die gegen jedes Phraselet durchsucht werden, und verbindet die Ergebnisse, um die relevantesten Passagen innerhalb der Dokumente zu finden. Da es keine strenge Anforderung gibt, dass jedes Wort mit seiner eigenen Bedeutung im Abfragendokument mit einem bestimmten Wort oder einer bestimmten Wörter in den durchsuchten Dokumenten übereinstimmt, werden mehr Übereinstimmungen gefunden als im Anwendungsfall der strukturellen Extraktion, aber die Übereinstimmungen enthalten keine strukturierten Informationen, die in der nachfolgenden Verarbeitung verwendet werden können. Das Thema, mit dem ein Anwendungsfall übereinstimmt, wird von einer Website demonstriert, die die Suche in sechs Charles Dickens -Romanen (für Englisch) und rund 350 traditionelle Geschichten (für Deutsch) ermöglicht.
Der Überlebendungsklassifizierungs -Anwendungsfall verwendet Schulungsdaten, um einen Klassifikator zu erlernen, der neue Dokumente basierend auf dem, worum es geht, ein oder mehrere Klassifizierungsbezeichnungen zuweist. Es klassifiziert ein neues Dokument, indem es es gegen Phrasselets entspricht, die aus den Trainingsdokumenten genauso extrahiert wurden, wie Phrasen aus dem Abfragendokument im Thema "Gebrauchsfall" extrahiert werden. Die Technik ist inspiriert von Klassifizierungsalgorithmen mit Bütenwörtern, die N-Gramm verwenden, aber es zielt darauf ab, N-Gramm abzuleiten, deren Komponentenwörter semantisch miteinander verwandt sind, anstatt dass es sich nur um Nachbarn in der Oberflächenrepräsentation einer Sprache handelt.
In allen vier Anwendungsfällen werden die einzelnen Wörter mit einer Reihe von Strategien übereinstimmen. Um herauszufinden, ob zwei grammatikalische Strukturen, die individuell übereinstimmende Wörter enthalten, logisch entsprechen und eine Übereinstimmung bilden, transformiert Holmes die von der Spacy Library bereitgestellten syntaktischen Analyseinformationen in semantische Strukturen, mit denen Texte mithilfe der Prädikatlogik verglichen werden können. Als Benutzer von Holmes müssen Sie die Feinheiten dessen, wie dies funktioniert, nicht verstehen, obwohl es einige wichtige Tipps zum Schreiben effektiver Suchphrasen für die Anwendungsfälle für Chatbot- und Strukturextraktion gibt, die Sie an Bord annehmen sollten.
Holmes ist bestrebt, allgemeine Lösungen anzubieten, die mehr oder weniger außerhalb der Schachtel mit relativ wenig Abstimmung, Optimierung oder Training verwendet werden können und die schnell für eine breite Palette von Anwendungsfällen anwendbar sind. In seinem Kern liegt ein logisches, programmiertes, regelbasiertes System, das beschreibt, wie syntaktische Darstellungen in jeder Sprache semantische Beziehungen ausdrücken. Obwohl der Anwendungsfall der beaufsichtigten Dokumente Klassifizierung ein neuronales Netzwerk enthält und die Spacy-Bibliothek, in der Holmes baut, selbst mit maschinellem Lernen vorgebracht wurde, bedeutet die im Wesentlichen regelbasierte Natur von Holmes, dass der Chatbot, die strukturelle Extraktion und das Thema, mit dem die Verwendung von Themen angepasst wurde, in Anwendungsfällen ausgegeben werden. Wenn Sie nicht zu schädigen sind, müssen Sie. reale Probleme.
Holmes hat eine lange und komplexe Geschichte und wir können sie nun dank des guten Willens und der Offenheit mehrerer Unternehmen unter der MIT -Lizenz veröffentlichen. Ich, Richard Hudson, schrieb die Versionen bis zu 3.0,0, während ich bei MSG Systems arbeitete, einem großen internationalen Softwareberatungsunternehmen in der Nähe von München. Ende 2021 habe ich Arbeitgeber verändert und arbeitete nun für Explosion, die Schöpfer von Spacy und Wunderkind. Die Elemente der Holmes -Bibliothek werden von einem US -Patent abgedeckt, das ich in den frühen 2000er Jahren in einem Startup namens Definiens geschrieben habe, das seitdem von AstraZeneca erworben wurde. Mit der freundlichen Erlaubnis sowohl von AstraZeneca- als auch von MSG -Systemen behalte ich jetzt Holmes bei Explosion bei und kann sie zum ersten Mal unter einer zulässigen Lizenz anbieten: Jeder kann nun Holmes unter den Bedingungen der MIT -Lizenz verwenden, ohne sich Sorgen um das Patent zu machen.
Die Bibliothek wurde ursprünglich bei MSG -Systemen entwickelt, wird aber jetzt bei Explosion AI beibehalten. Bitte richten Sie neue Probleme oder Diskussionen an das Explosions -Repository.
Wenn Sie noch nicht Python 3 und Pip auf Ihrem Computer haben, müssen Sie diese vor dem Installieren von Holmes installieren.
Installieren Sie Holmes mit den folgenden Befehlen:
Linux:
pip3 install holmes-extractor
Fenster:
pip install holmes-extractor
Um von einer früheren Holmes -Version zu aktualisieren, geben Sie die folgenden Befehle aus und stellt dann die Befehle zum Herunterladen der Modelle Spacy und CoreFeee neu aus, um sicherzustellen, dass Sie die richtigen Versionen davon haben:
Linux:
pip3 install --upgrade holmes-extractor
Fenster:
pip install --upgrade holmes-extractor
Wenn Sie die Beispiele und Tests verwenden möchten, klonen Sie den Quellcode mithilfe
git clone https://github.com/explosion/holmes-extractor
Wenn Sie mit dem Ändern des Quellcodes experimentieren möchten, können Sie den installierten Code überschreiben, indem Sie Python (Typ python3 (Linux) oder python (Windows)) im übergeordneten Verzeichnis des Verzeichnisses starten, in dem sich Ihr Modulcode von holmes_extractor -Modul befindet. Wenn Sie Holmes aus Git überprüft haben, ist dies das holmes-extractor -Verzeichnis.
Wenn Sie Holmes erneut deinstallieren möchten, wird dies erreicht, indem die installierten Dateien direkt aus dem Dateisystem gelöscht werden. Diese können durch die Ausgabe von Folgendem aus der Eingabeaufforderung von Python aus einem anderen Verzeichnis als dem übergeordneten Verzeichnis von holmes_extractor gefunden werden:
import holmes_extractor
print(holmes_extractor.__file__)
Die Spact- und CoreFeee-Bibliotheken, auf denen Holmes aufbaut, erfordern sprachspezifische Modelle, die separat heruntergeladen werden müssen, bevor Holmes verwendet werden kann:
Linux/Englisch:
python3 -m spacy download en_core_web_trf
python3 -m spacy download en_core_web_lg
python3 -m coreferee install en
Linux/Deutsch:
pip3 install spacy-lookups-data # (from spaCy 3.3 onwards)
python3 -m spacy download de_core_news_lg
python3 -m coreferee install de
Windows/Englisch:
python -m spacy download en_core_web_trf
python -m spacy download en_core_web_lg
python -m coreferee install en
Fenster/Deutsch:
pip install spacy-lookups-data # (from spaCy 3.3 onwards)
python -m spacy download de_core_news_lg
python -m coreferee install de
Und wenn Sie vorhaben, die Regressionstests durchzuführen:
Linux:
python3 -m spacy download en_core_web_sm
Fenster:
python -m spacy download en_core_web_sm
Sie geben ein Spacy -Modell an, für das Holmes verwendet werden kann, wenn Sie die Manager -Fassadeklasse instanziieren. en_core_web_trf und de_core_web_lg sind die Modelle, die die besten Ergebnisse für Englisch bzw. Deutsch liefern. Da en_core_web_trf keine eigenen Wortvektoren hat, aber Holmes benötigt Wortvektoren zum Einbettungsbasis, wird das Modell en_core_web_lg als Vektorquelle geladen, wenn en_core_web_trf der Manager-Klasse als Hauptmodell angegeben wird.
Das Modell en_core_web_trf erfordert ausreichend mehr Ressourcen als die anderen Modelle. In einer Siutation, in der Ressourcen knapp sind, kann es stattdessen ein vernünftiger Kompromiss sein, en_core_web_lg als Hauptmodell zu verwenden.
Der beste Weg, Ein Beispiel finden Sie hier.
Da Holmes eine komplexe, intelligente Analyse durchführt, ist es unvermeidlich, dass mehr Hardware -Ressourcen als herkömmliche Suchframeworks erforderlich sind. Die Anwendungsfälle, bei denen Dokumente geladen werden - strukturelle Extraktion und Themenübereinstimmung - sind am unmittelbarsten auf große, aber nicht massive Korpora anwendbar (z. B. alle Dokumente, die einer bestimmten Organisation gehören, alle Patente zu einem bestimmten Thema, alle Bücher eines bestimmten Autors). Aus Kostengründen wäre Holmes kein geeignetes Werkzeug, mit dem der Inhalt des gesamten Internets analysiert werden kann!
Das heißt, Holmes ist sowohl vertikal als auch horizontal skalierbar. Bei ausreichender Hardware können beide Anwendungsfälle auf eine im Wesentlichen unbegrenzte Anzahl von Dokumenten angewendet werden, indem Holmes auf mehreren Maschinen ausgeführt, eine andere Reihe von Dokumenten auf jedem einzelnen verarbeitet und die Ergebnisse in Verbindung gebracht werden. Beachten Sie, dass diese Strategie bereits verwendet wird, um die Übereinstimmung zwischen mehreren Kernen auf einer einzigen Maschine zu verteilen: Die Managerklasse startet eine Reihe von Arbeitsprozessen und verteilt registrierte Dokumente zwischen ihnen.
Holmes hält geladene Dokumente im Speicher, die mit der beabsichtigten Verwendung mit großen, aber nicht massiven Korpora zusammenhängen. Die Leistung von Dokumentenbeladung, struktureller Extraktion und Themen, die alle stark abbauen, wenn das Betriebssystem die Speicherseiten in den Sekundärspeicher austauschen muss, da Holmes bei der Bearbeitung eines einzelnen Satzes Speicher auf einer Vielzahl von Seiten benötigen kann. Dies bedeutet, dass es wichtig ist, auf jeder Maschine genügend RAM zu liefern, um alle geladenen Dokumente zu halten.
Bitte beachten Sie die obigen Kommentare zu den relativen Ressourcenanforderungen der verschiedenen Modelle.
Der einfachste Anwendungsfall, mit dem eine schnelle Grundvorstellung davon bekommen kann, wie Holmes arbeitet, ist der Chatbot -Anwendungsfall.
Hier werden eine oder mehrere Suchphrasen im Voraus in Holmes definiert, und die durchsuchten Dokumente sind kurze Sätze oder Absätze, die von einem Endbenutzer interaktiv eingegeben wurden. In einer realen Einstellung werden die extrahierten Informationen verwendet, um den Interaktionsfluss mit dem Endbenutzer zu bestimmen. Für Test- und Demonstrationszwecke gibt es eine Konsole, die ihre übereinstimmenden Befunde interaktiv anzeigt. Es kann einfach und schnell von der Python -Befehlszeile (die selbst aus der Eingabeaufforderung des Betriebssystems gestartet werden, indem python3 (Linux) oder python (Windows) oder innerhalb eines Jupyter -Notizbuchs eingegeben wird.
Der folgende Code -Snippet kann für die Zeile in die Python -Befehlszeile, in ein Jupyter -Notizbuch oder in eine IDE eingegeben werden. Es registriert die Tatsache, dass Sie an Sätzen über große Hunde interessiert sind, die Katzen jagen, und startet eine Demonstration Chatbot -Konsole:
Englisch:
import holmes_extractor as holmes
holmes_manager = holmes.Manager(model='en_core_web_lg', number_of_workers=1)
holmes_manager.register_search_phrase('A big dog chases a cat')
holmes_manager.start_chatbot_mode_console()
Deutsch:
import holmes_extractor as holmes
holmes_manager = holmes.Manager(model='de_core_news_lg', number_of_workers=1)
holmes_manager.register_search_phrase('Ein großer Hund jagt eine Katze')
holmes_manager.start_chatbot_mode_console()
Wenn Sie jetzt einen Satz eingeben, der der Suchphrase entspricht, zeigt die Konsole eine Übereinstimmung an:
Englisch:
Ready for input
A big dog chased a cat
Matched search phrase with text 'A big dog chases a cat':
'big'->'big' (Matches BIG directly); 'A big dog'->'dog' (Matches DOG directly); 'chased'->'chase' (Matches CHASE directly); 'a cat'->'cat' (Matches CAT directly)
Deutsch:
Ready for input
Ein großer Hund jagte eine Katze
Matched search phrase 'Ein großer Hund jagt eine Katze':
'großer'->'groß' (Matches GROSS directly); 'Ein großer Hund'->'hund' (Matches HUND directly); 'jagte'->'jagen' (Matches JAGEN directly); 'eine Katze'->'katze' (Matches KATZE directly)
Dies hätte leicht mit einem einfachen passenden Algorithmus erreicht werden können. Geben Sie also ein paar komplexere Sätze ein, um sich davon zu überzeugen, dass Holmes sie wirklich erfasst und dass die Übereinstimmungen immer noch zurückgegeben werden:
Englisch:
The big dog would not stop chasing the cat
The big dog who was tired chased the cat
The cat was chased by the big dog
The cat always used to be chased by the big dog
The big dog was going to chase the cat
The big dog decided to chase the cat
The cat was afraid of being chased by the big dog
I saw a cat-chasing big dog
The cat the big dog chased was scared
The big dog chasing the cat was a problem
There was a big dog that was chasing a cat
The cat chase by the big dog
There was a big dog and it was chasing a cat.
I saw a big dog. My cat was afraid of being chased by the dog.
There was a big dog. His name was Fido. He was chasing my cat.
A dog appeared. It was chasing a cat. It was very big.
The cat sneaked back into our lounge because a big dog had been chasing her.
Our big dog was excited because he had been chasing a cat.
Deutsch:
Der große Hund hat die Katze ständig gejagt
Der große Hund, der müde war, jagte die Katze
Die Katze wurde vom großen Hund gejagt
Die Katze wurde immer wieder durch den großen Hund gejagt
Der große Hund wollte die Katze jagen
Der große Hund entschied sich, die Katze zu jagen
Die Katze, die der große Hund gejagt hatte, hatte Angst
Dass der große Hund die Katze jagte, war ein Problem
Es gab einen großen Hund, der eine Katze jagte
Die Katzenjagd durch den großen Hund
Es gab einmal einen großen Hund, und er jagte eine Katze
Es gab einen großen Hund. Er hieß Fido. Er jagte meine Katze
Es erschien ein Hund. Er jagte eine Katze. Er war sehr groß.
Die Katze schlich sich in unser Wohnzimmer zurück, weil ein großer Hund sie draußen gejagt hatte
Unser großer Hund war aufgeregt, weil er eine Katze gejagt hatte
Die Demonstration ist nicht vollständig, ohne andere Sätze auszuprobieren, die dieselben Wörter enthalten, aber nicht dieselbe Idee ausdrücken und beobachten, dass sie nicht übereinstimmen:
Englisch:
The dog chased a big cat
The big dog and the cat chased about
The big dog chased a mouse but the cat was tired
The big dog always used to be chased by the cat
The big dog the cat chased was scared
Our big dog was upset because he had been chased by a cat.
The dog chase of the big cat
Deutsch:
Der Hund jagte eine große Katze
Die Katze jagte den großen Hund
Der große Hund und die Katze jagten
Der große Hund jagte eine Maus aber die Katze war müde
Der große Hund wurde ständig von der Katze gejagt
Der große Hund entschloss sich, von der Katze gejagt zu werden
Die Hundejagd durch den große Katze
In den obigen Beispielen hat Holmes eine Vielzahl verschiedener Strukturen auf Satzebene abgestimmt, die dieselbe Bedeutung haben, aber die Basisformen der drei Wörter in den übereinstimmenden Dokumenten waren immer die gleichen wie die drei Wörter in der Suchphrase. Holmes bietet mehrere weitere Strategien für die Übereinstimmung auf der einzelnen Wortebene. In Kombination mit Holmes 'Fähigkeit, unterschiedliche Satzstrukturen abzustimmen, können eine Suchausstellung mit einem Dokumentsatz übereinstimmen, der seine Bedeutung auch mitteilt, wo die beiden keine Wörter teilen und grammatikalisch völlig unterschiedlich sind.
Eine dieser zusätzlichen Wortanpassungsstrategien ist die benannte Abgleichen: Spezielle Wörter können in Suchphrasen aufgenommen werden, die ganze Klassen von Namen wie Personen oder Orten entsprechen. Beenden Sie die Konsole durch Eingeben von exit , registrieren Sie einen zweiten Suchausdruck und starten Sie die Konsole neu:
Englisch:
holmes_manager.register_search_phrase('An ENTITYPERSON goes into town')
holmes_manager.start_chatbot_mode_console()
Deutsch:
holmes_manager.register_search_phrase('Ein ENTITYPER geht in die Stadt')
holmes_manager.start_chatbot_mode_console()
Sie haben jetzt Ihr Interesse an Personen registriert, die in die Stadt gehen, und können entsprechende Sätze in die Konsole eingeben:
Englisch:
Ready for input
I met Richard Hudson and John Doe last week. They didn't want to go into town.
Matched search phrase with text 'An ENTITYPERSON goes into town'; negated; uncertain; involves coreference:
'Richard Hudson'->'ENTITYPERSON' (Has an entity label matching ENTITYPERSON); 'go'->'go' (Matches GO directly); 'into'->'into' (Matches INTO directly); 'town'->'town' (Matches TOWN directly)
Matched search phrase with text 'An ENTITYPERSON goes into town'; negated; uncertain; involves coreference:
'John Doe'->'ENTITYPERSON' (Has an entity label matching ENTITYPERSON); 'go'->'go' (Matches GO directly); 'into'->'into' (Matches INTO directly); 'town'->'town' (Matches TOWN directly)
Deutsch:
Ready for input
Letzte Woche sah ich Richard Hudson und Max Mustermann. Sie wollten nicht mehr in die Stadt gehen.
Matched search phrase with text 'Ein ENTITYPER geht in die Stadt'; negated; uncertain; involves coreference:
'Richard Hudson'->'ENTITYPER' (Has an entity label matching ENTITYPER); 'gehen'->'gehen' (Matches GEHEN directly); 'in'->'in' (Matches IN directly); 'die Stadt'->'stadt' (Matches STADT directly)
Matched search phrase with text 'Ein ENTITYPER geht in die Stadt'; negated; uncertain; involves coreference:
'Max Mustermann'->'ENTITYPER' (Has an entity label matching ENTITYPER); 'gehen'->'gehen' (Matches GEHEN directly); 'in'->'in' (Matches IN directly); 'die Stadt'->'stadt' (Matches STADT directly)
In jedem der beiden Sprachen zeigt dieses letzte Beispiel mehrere weitere Merkmale von Holmes:
Weitere Beispiele finden Sie in Abschnitt 5.
Die folgenden Strategien werden mit einem Python -Modul pro Strategie implementiert. Obwohl die Standardbibliothek nicht unterstützt, maßgeschneiderte Strategien über die Managerklasse hinzuzufügen, wäre sie für alle mit Python -Programmierfähigkeiten relativ einfach, um den Code zu ändern, um dies zu aktivieren.
word_match.type=='direct' ))Die direkte Übereinstimmung zwischen Suchphrasenwörtern und Dokumentwörtern ist immer aktiv. Die Strategie beruht hauptsächlich auf passenden STEM -Formen von Wörtern, zB Englischkäufen und Kind , die gekauft sind und Kinder , deutsche Steigen und freundlich zu Stieg und Kinder . Um jedoch die Wahrscheinlichkeit zu erhöhen, dass ein direktes Übereinstimmung funktioniert, wenn der Parser ein falsches STEM-Formular für ein Wort liefert, werden die RAW-Text-Formulare sowohl von Suchpolier- als auch Dokumentwörtern während der direkten Übereinstimmung berücksichtigt.
word_match.type=='derivation' ) Die abgeleitete Matching beinhaltet unterschiedliche, aber verwandte Wörter, die typischerweise zu verschiedenen Wortklassen gehören, z. B. English Assessment and Assessment , Deutsch Jagen und Jagd . Es ist standardmäßig aktiv, kann aber mit dem Parameter analyze_derivational_morphology ausgeschaltet werden, der beim Instanziieren der Managerklasse festgelegt wird.
word_match.type=='entity' )Die benannte Entsprechung wird aktiviert, indem eine spezielle benannte Identifikatorin am gewünschten Punkt in einer Suchphrase anstelle eines Substantivs, z. B.
Ein Entityperson geht in die Stadt (Englisch)
Ein Entityper Geht in Diestadt (Deutsch).
Die unterstützten benannten Identifikatoren hängen direkt von den von den Spacy-Modellen für jede Sprache angegebenen Informationen mit den benannten Innentationen ab (Beschreibungen, die aus einer früheren Version der Spacy-Dokumentation kopiert wurden):
Englisch:
| Kennung | Bedeutung |
|---|---|
| EntityNoun | Jeder Substantivphrase. |
| EntityPerson | Menschen, einschließlich fiktiver. |
| EntityNorp | Nationalitäten oder religiöse oder politische Gruppen. |
| Entityfac | Gebäude, Flughäfen, Autobahnen, Brücken usw. |
| Entityorg | Unternehmen, Agenturen, Institutionen usw. |
| Entitygpe | Länder, Städte, Staaten. |
| Entityloc | Nicht-GPE-Standorte, Bergketten, Wasserkörper. |
| Entitätsprodukt | Objekte, Fahrzeuge, Lebensmittel usw. (nicht Dienstleistungen.) |
| EntityEvent | Namen Hurricanes, Schlachten, Kriege, Sportveranstaltungen usw. |
| Entitywork_of_art | Titel von Büchern, Liedern usw. |
| Enttität | Benannte Dokumente in Gesetze. |
| EntityLanguage | Jede benannte Sprache. |
| Entitydate | Absolute oder relative Daten oder Perioden. |
| Entitätszeit | Mal kleiner als ein Tag. |
| Entitypercent | Prozentsatz, einschließlich "%". |
| EntityMoney | Geldwerte, einschließlich Einheit. |
| Entität | Messungen ab Gewicht oder Abstand. |
| Entität | "zuerst", "zweiten", usw. |
| EntityCardinal | Ziffern, die nicht unter einen anderen Typ fallen. |
Deutsch:
| Kennung | Bedeutung |
|---|---|
| EntityNoun | Jeder Substantivphrase. |
| Entität | Benannte Person oder Familie. |
| Entityloc | Name des politisch oder geografisch definierten Standorts (Städte, Provinzen, Länder, internationale Regionen, Wasserkörper, Berge). |
| Entityorg | Genannt Corporate, Governmental oder andere Organisationseinheiten. |
| EntityMisc | Verschiedene Einheiten, z. B. Veranstaltungen, Nationalitäten, Produkte oder Kunstwerke. |
Wir haben die echten benannten Identifikatoren ENTITYNOUN hinzugefügt. Wenn es zu jeder Substantivphrase passt, verhält es sich ähnlich wie generische Pronomen. Die Unterschiede sind, dass ENTITYNOUN eine bestimmte Substantivphrase innerhalb eines Dokuments abgleichen muss und dass diese spezifische Substantivphrase extrahiert und für die weitere Verarbeitung verfügbar ist. ENTITYNOUN wird innerhalb des themenübereinstimmenden Anwendungsfalls nicht unterstützt.
word_match.type=='ontology' )Eine Ontologie ermöglicht es dem Benutzer, Beziehungen zwischen Wörtern zu definieren, die dann berücksichtigt werden, wenn die Dokumente mit der Durchsuchung von Phrasen angepasst werden. Die drei relevanten Beziehungstypen sind Hyponyme (etwas ist ein Subtyp von etwas), Synonyme (etwas bedeutet das Gleiche wie etwas wie etwas) und benannte Individuen (etwas ist eine bestimmte Instanz von etwas). Die drei Beziehungstypen sind in Abbildung 1 veranschaulicht:
Ontologien werden unter Verwendung des Owl Ontology Standard serialisiert mit RDF/XML in Holmes definiert. Solche Ontologien können mit einer Vielzahl von Werkzeugen erzeugt werden. Für die Beispiele und Tests von Holmes wurde der freie Werkzeugschützer verwendet. Es wird empfohlen, dass Sie Protege verwenden, um Ihre eigenen Ontologien zu definieren, und um die Ontologien zu durchsuchen, die mit den Beispielen und Tests versendet werden. Wenn Sie eine Ontologie unter Protege speichern, wählen Sie bitte RDF/XML als Format. Protege weist Standardbezeichnungen für das Hyponym-, Synonym- und benannte individuelle Beziehungen zu, die Holmes als Standardeinstellungen versteht, die aber auch überschrieben werden können.
Ontologieeinträge werden mit einem internationalen Ressourcenkenner (IRI) definiert, z. B. http://www.semanticweb.org/hudsonr/ontologies/2019/0/animals#dog . Holmes verwendet nur das endgültige Fragment zum Matching, wodurch Homonyme (Wörter mit derselben Form, aber mehreren Bedeutungen) an mehreren Punkten im Ontologiebaum definiert werden können.
Ontologie-basierte Matching liefert die besten Ergebnisse mit Holmes, wenn kleine Ontologien für bestimmte Subjektdomänen und Anwendungsfälle erstellt wurden. Wenn Sie beispielsweise einen Chatbot für einen Gebrauchsversicherungsfall implementieren, sollten Sie eine kleine Ontologie erstellen, die die Begriffe und Beziehungen innerhalb dieser spezifischen Domäne erfasst. Andererseits wird nicht empfohlen, große Ontologien zu verwenden, die für alle Domänen in einer gesamten Sprache wie WordNet erstellt wurden. Dies liegt daran, dass die vielen Homonyme und Beziehungen, die nur in engen Subjekt -Domänen gelten, tendenziell zu einer großen Anzahl falscher Übereinstimmungen führen. Bei allgemeinen Anwendungsfällen führt die Einbettungsanpassung tendenziell zu besseren Ergebnissen.
Jedes Wort in einer Ontologie kann als Übergang eines Unterbaums angesehen werden, das aus seinen Hyponymen, Synonymen und genannten Individuen, den Hyponymen, Synonymen und benannten Individuen usw. der Wörter besteht. Mit einer Ontologie, die in der Standardmodie eingerichtet ist, die für die Anwendungsfälle in Chatbot und strukturelle Extraktion geeignet ist, entspricht ein Wort in einer Holmes -Suchphrase mit einem Wort in einem Dokument, wenn sich das Dokumentwort im Subtree des Suchphrasenworts befindet. Wären die Ontologie in Abbildung 1 zusätzlich zur direkten Matching -Strategie, die jedes Wort mit sich selbst übereinstimmt, die folgenden Kombinationen übereinstimmen:
Englische Phrasalverben wie Eat Up und Deutsch trennbare Verben wie Aufessen müssen als einzelne Gegenstände innerhalb von Ontologien definiert werden. Wenn Holmes einen Text analysiert und auf ein solches Verb stößt, werden das Hauptver und das Teilchen in ein einzelnes logisches Wort zusammengeführt, das dann über eine Ontologie übereinstimmt. Dies bedeutet, dass das Essen innerhalb eines Textes mit dem Subtree von Eat innerhalb der Ontologie übereinstimmt, nicht jedoch mit dem Subtree des Essens innerhalb der Ontologie.
Wenn die Ableitungsanpassung aktiv ist, wird sie auf beiden Seiten einer potenziellen Ontologie-basierten Übereinstimmung berücksichtigt. Wenn beispielsweise Alter und Änderung als Synonyme in einer Ontologie definiert werden, würden auch Alteration und Änderung zueinander übereinstimmen.
In Situationen, in denen das Finden relevanter Sätze wichtiger ist, als die logische Korrespondenz von Dokumentenübereinstimmungen für Suchphrasen zu gewährleisten, kann es sinnvoll sein, die symmetrische Übereinstimmung bei der Definition der Ontologie anzugeben. Für den Anwendungsfall des Themas entspricht die symmetrische Übereinstimmung, ist jedoch wahrscheinlich nicht für die Anwendungsfälle für Chatbot- oder Strukturextraktion geeignet. Dies bedeutet, dass die Beziehung des Hypernym- (Reverse -Hyponym) sowie das Hyponym- und Synonymbeziehungen beim Übereinstimmung berücksichtigt wird, was zu einer symmetrischeren Beziehung zwischen Dokumenten und Suchphrasen führt. Eine wichtige Regel, die bei der Übereinstimmung über eine symmetrische Ontologie angewendet wird, ist, dass ein Match -Pfad möglicherweise nicht sowohl Hypernym- als auch Hyponymbeziehungen enthält, dh Sie können nicht auf sich selbst zurückgreifen. Wären die oben als symmetrisch definierten Ontologie die folgenden Kombinationen übereinstimmen:
Im Anwendungsfall der beaufsichtigten Dokumentenklassifizierung können zwei separate Ontologien verwendet werden:
Die strukturelle Matching -Ontologie wird verwendet, um den Inhalt von Trainings- und Testdokumenten zu analysieren. Jedes Wort aus einem Dokument, das in der Ontologie zu finden ist, wird durch seinen allgemeinsten Hypernym -Vorfahren ersetzt. Es ist wichtig zu erkennen, dass eine Ontologie wahrscheinlich nur mit einer strukturellen Übereinstimmung für überwachte Dokumentenklassifizierung wirkt, wenn sie speziell für den Zweck erstellt wurde: Eine solche Ontologie sollte aus einer Reihe separater Bäume bestehen, die die Hauptklassen von Objekten in den zu klassifizierten Dokumenten darstellen. In der oben gezeigten Beispiel -Ontologie würden alle Wörter in der Ontologie durch Tier ersetzt; In einem extremen Fall mit einer Ontologie im WordNet-Stil würden alle Substantive durch Ding ersetzt, was eindeutig kein wünschenswertes Ergebnis ist!
Die Klassifizierungs -Ontologie wird verwendet, um Beziehungen zwischen Klassifizierungsbezeichnungen zu erfassen: dass ein Dokument eine bestimmte Klassifizierung hat, impliziert, dass es auch Klassifizierungen enthält, an deren Unterbaum diese Klassifizierung gehört. Synonyme sollten sparsam verwendet werden, wenn sie überhaupt in den Klassifizierungsoktologien sind, da sie die Komplexität des neuronalen Netzwerks erhöhen, ohne einen Wert hinzuzufügen. Und obwohl es technisch gesehen möglich ist, eine Klassifizierungs -Ontologie für die Verwendung symmetrischer Übereinstimmungen einzurichten, gibt es keinen sinnvollen Grund dafür. Beachten Sie, dass ein Etikett innerhalb der Klassifizierungs -Ontologie, das nicht direkt als Etikett eines Schulungsdokuments definiert ist, speziell unter Verwendung der SupervisedTopicTrainingBasis.register_additional_classification_label() Methode für die Überwachung der TopicTrainingBasis registriert werden muss.
word_match.type=='embedding' )Spacy bietet Worteinbettungen an: maschinell-lerngenerierte numerische Vektor-Darstellungen von Wörtern, die die Kontexte erfassen, in denen jedes Wort tendenziell auftritt. Zwei Wörter mit einer ähnlichen Bedeutung tendieren dazu, mit Wortbettendings zu entstehen, die nahe beieinander liegen, und Spacy kann die Kosinus -Ähnlichkeit zwischen zwei beliebigen Wörtern als Dezimalheit zwischen 0,0 (keine Ähnlichkeit) und 1,0 (demselben Wort) messen. Da Hund und Katze tendenziell in ähnlichen Kontexten auftreten, haben sie eine Ähnlichkeit von 0,80; Hund und Pferd haben weniger gemeinsam und haben eine Ähnlichkeit von 0,62; und Hund und Eisen haben eine Ähnlichkeit von nur 0,25. Einbettungsbasiertes Matching wird nur für Substantive, Adjektive und Adverbien aktiviert, da festgestellt wurde, dass die Ergebnisse mit anderen Wortklassen unbefriedigend sind.
Es ist wichtig zu verstehen, dass die Tatsache, dass zwei Wörter ähnliche Einbettungen haben, nicht die gleiche logische Beziehung zwischen den beiden impliziert wie bei der Verwendung von Ontologie-basiertem Matching: Zum Beispiel die Tatsache, dass Hund und Katze ähnliche Einbettungen haben, bedeutet weder dass ein Hund eine Art von Katze noch eine Katze ist. Ob einbettungsbasierte Matching dennoch eine angemessene Wahl ist oder nicht, hängt vom funktionalen Anwendungsfall ab.
Für die Anwendungsfälle für Chatbot-, strukturelle Extraktion und beaufsichtigte Dokumentenklassifizierung verwendet Holmes unter Verwendung eines in der Managerklasse global definierten Parameters overall_similarity_threshold , die weltweit definiert ist. Es wird eine Übereinstimmung zwischen einer Suchphrase und einer Struktur innerhalb eines Dokuments erkannt, wenn der geometrische Mittelwert der Ähnlichkeiten zwischen den entsprechenden Wortpaaren größer ist als dieser Schwellenwert. Die Intuition hinter dieser Technik ist, dass eine Suchphrase mit sechs lexikalischen Wörtern eine Dokumentstruktur übereinstimmt, bei der fünf dieser Wörter genau übereinstimmen und nur eine über eine Einbettung entspricht. Die Ähnlichkeit, die erforderlich sein sollte, um dieses sechste Wort übereinzustimmen, ist geringer als wenn nur drei der Wörter genau übereinstimmen und zwei der anderen Wörter über Einbettungen entsprechen.
Die Übereinstimmung mit einem Suchphrase mit einem Dokument beginnt damit, Wörter in dem Dokument zu finden, das mit dem Wort am Stammverschluss (syntaktischer Kopf) des Suchphrase übereinstimmt. Holmes untersucht dann die Struktur um jedes dieser übereinstimmenden Dokumentwörter, um zu überprüfen, ob die Dokumentstruktur mit der Suchphrase -Struktur in ihrer Gesamtheit übereinstimmt. Die Dokumentwörter, die mit dem Suchphrase -Root -Wort übereinstimmen, werden normalerweise unter Verwendung eines Index gefunden. Wenn jedoch Einbettungen berücksichtigt werden müssen, wenn Dokumentwörter gefunden werden, die mit einem Suchphrase -Root -Wort übereinstimmen, muss jedes Wort in jedem Dokument mit einer gültigen Wortklasse für die Ähnlichkeit mit diesem Suchphrase -Root -Wort verglichen werden. Dies hat einen sehr merklichen Auftritt, der alle Anwendungsfälle mit Ausnahme des Chatbot -Anwendungsfalls im Wesentlichen unbrauchbar macht.
Um den typisch unnötigen Leistungshit zu vermeiden, der aus dem Einbettungsbasis von Suchphrasenwörtern resultiert, wird sie im Allgemeinen vom Einbettungsbasis-Matching unter Verwendung des Parameters embedding_based_matching_on_root_words unter Verwendung des Parameters embittending_based_Matching gesteuert, das beim Instanziieren der Managerklasse festgelegt wird. Sie werden empfohlen, diese Einstellung für die meisten Anwendungsfälle ausgeschaltet zu halten (Wert False ).
Weder der Parameter overall_similarity_threshold noch der Parameter embedding_based_matching_on_root_words hat einen Einfluss auf das Themenvergleichsnutzungsfall. Hier werden die Ähnlichkeitsschwellenwerte auf Wortniveau einbettet, wobei die Parameter word_embedding_match_threshold und initial_question_word_embedding_match_threshold topic_match_documents_against werden
word_match.type=='entity_embedding' ) Eine mit dem benannte Inentität basierende Übereinstimmung erhält zwischen einem gesuchten Dokumentwort, das eine bestimmte Entitätsbezeichnung hat, und einer Suchphrase oder einem Abfrage-Dokumentwort, dessen Einbettung der zugrunde liegenden Bedeutung dieser Entitätsbezeichnung ausreichend ähnlich ist, z. B. das Wort Individuum in einer Suchphrase hat eine ähnliche Worteinbindung in die zugrunde liegende Bedeutung der Person . Beachten Sie, dass mit dem benannten Abstands-Basis-Matching unabhängig von der Einstellung embedding_based_matching_on_root_words niemals aktiv ist.
word_match.type=='question' ))Die Anfänger-Wort-Matching ist nur während der Themenübereinstimmung aktiv. Erste Fragenwörter in Abfragephrasen übereinstimmen Entitäten in den durchsuchten Dokumenten, die potenzielle Antworten auf die Frage darstellen, z. B. beim Vergleich der Abfragebestand, als Peter mit dem Such-Dokument-Phrase Peter gefrühstückt wurde .
Das Initial-Question-Wort-Matching wird unter Verwendung des Parameters initial_question_word_behaviour ein- und ausgeschaltet, wenn Sie die Funktion topic_match_documents_against in der Managerklasse aufrufen. It is only likely to be useful when topic matching is being performed in an interactive setting where the user enters short query phrases, as opposed to when it is being used to find documents on a similar topic to an pre-existing query document: initial question words are only processed at the beginning of the first sentence of the query phrase or query document.
Linguistically speaking, if a query phrase consists of a complex question with several elements dependent on the main verb, a finding in a searched document is only an 'answer' if contains matches to all these elements. Because recall is typically more important than precision when performing topic matching with interactive query phrases, however, Holmes will match an initial question word to a searched-document phrase wherever they correspond semantically (eg wherever when corresponds to a temporal adverbial phrase) and each depend on verbs that themselves match at the word level. One possible strategy to filter out 'incomplete answers' would be to calculate the maximum possible score for a query phrase and reject topic matches that score below a threshold scaled to this maximum.
Before Holmes analyses a searched document or query document, coreference resolution is performed using the Coreferee library running on top of spaCy. This means that situations are recognised where pronouns and nouns that are located near one another within a text refer to the same entities. The information from one mention can then be applied to the analysis of further mentions:
I saw a big dog . It was chasing a cat.
I saw a big dog . The dog was chasing a cat.
Coreferee also detects situations where a noun refers back to a named entity:
We discussed AstraZeneca . The company had given us permission to publish this library under the MIT license.
If this example were to match the search phrase A company gives permission to publish something , the coreference information that the company under discussion is AstraZeneca is clearly relevant and worth extracting in addition to the word(s) directly matched to the search phrase. Such information is captured in the word_match.extracted_word field.
The concept of search phrases has already been introduced and is relevant to the chatbot use case, the structural extraction use case and to preselection within the supervised document classification use case.
It is crucial to understand that the tips and limitations set out in Section 4 do not apply in any way to query phrases in topic matching. If you are using Holmes for topic matching only, you can completely ignore this section!
Structural matching between search phrases and documents is not symmetric: there are many situations in which sentence X as a search phrase would match sentence Y within a document but where the converse would not be true. Although Holmes does its best to understand any search phrases, the results are better when the user writing them follows certain patterns and tendencies, and getting to grips with these patterns and tendencies is the key to using the relevant features of Holmes successfully.
Holmes distinguishes between: lexical words like dog , chase and cat (English) or Hund , jagen and Katze (German) in the initial example above; and grammatical words like a (English) or ein and eine (German) in the initial example above. Only lexical words match words in documents, but grammatical words still play a crucial role within a search phrase: they enable Holmes to understand it.
Dog chase cat (English)
Hund jagen Katze (German)
contain the same lexical words as the search phrases in the initial example above, but as they are not grammatical sentences Holmes is liable to misunderstand them if they are used as search phrases. This is a major difference between Holmes search phrases and the search phrases you use instinctively with standard search engines like Google, and it can take some getting used to.
A search phrase need not contain a verb:
ENTITYPERSON (English)
A big dog (English)
Interest in fishing (English)
ENTITYPER (German)
Ein großer Hund (German)
Interesse am Angeln (German)
are all perfectly valid and potentially useful search phrases.
Where a verb is present, however, Holmes delivers the best results when the verb is in the present active , as chases and jagt are in the initial example above. This gives Holmes the best chance of understanding the relationship correctly and of matching the widest range of document structures that share the target meaning.
Sometimes you may only wish to extract the object of a verb. For example, you might want to find sentences that are discussing a cat being chased regardless of who is doing the chasing. In order to avoid a search phrase containing a passive expression like
A cat is chased (English)
Eine Katze wird gejagt (German)
you can use a generic pronoun . This is a word that Holmes treats like a grammatical word in that it is not matched to documents; its sole purpose is to help the user form a grammatically optimal search phrase in the present active. Recognised generic pronouns are English something , somebody and someone and German jemand (and inflected forms of jemand ) and etwas : Holmes treats them all as equivalent. Using generic pronouns, the passive search phrases above could be re-expressed as
Somebody chases a cat (English)
Jemand jagt eine Katze (German).
Experience shows that different prepositions are often used with the same meaning in equivalent phrases and that this can prevent search phrases from matching where one would intuitively expect it. For example, the search phrases
Somebody is at the market (English)
Jemand ist auf dem Marktplatz (German)
would fail to match the document phrases
Richard was in the market (English)
Richard war am Marktplatz (German)
The best way of solving this problem is to define the prepositions in question as synonyms in an ontology.
The following types of structures are prohibited in search phrases and result in Python user-defined errors:
A dog chases a cat. A cat chases a dog (English)
Ein Hund jagt eine Katze. Eine Katze jagt einen Hund (German)
Each clause must be separated out into its own search phrase and registered individually.
A dog does not chase a cat. (Englisch)
Ein Hund jagt keine Katze. (Deutsch)
Negative expressions are recognised as such in documents and the generated matches marked as negative; allowing search phrases themselves to be negative would overcomplicate the library without offering any benefits.
A dog and a lion chase a cat. (Englisch)
Ein Hund und ein Löwe jagen eine Katze. (Deutsch)
Wherever conjunction occurs in documents, Holmes distributes the information among multiple matches as explained above. In the unlikely event that there should be a requirement to capture conjunction explicitly when matching, this could be achieved by using the Manager.match() function and looking for situations where the document token objects are shared by multiple match objects.
The (English)
Der (German)
A search phrase cannot be processed if it does not contain any words that can be matched to documents.
A dog chases a cat and he chases a mouse (English)
Ein Hund jagt eine Katze und er jagt eine Maus (German)
Pronouns that corefer with nouns elsewhere in the search phrase are not permitted as this would overcomplicate the library without offering any benefits.
The following types of structures are strongly discouraged in search phrases:
Dog chase cat (English)
Hund jagen Katze (German)
Although these will sometimes work, the results will be better if search phrases are expressed grammatically.
A cat is chased by a dog (English)
A dog will have chased a cat (English)
Eine Katze wird durch einen Hund gejagt (German)
Ein Hund wird eine Katze gejagt haben (German)
Although these will sometimes work, the results will be better if verbs in search phrases are expressed in the present active.
Who chases the cat? (Englisch)
Wer jagt die Katze? (Deutsch)
Although questions are supported as query phrases in the topic matching use case, they are not appropriate as search phrases. Questions should be re-phrased as statements, in this case
Something chases the cat (English)
Etwas jagt die Katze (German).
Informationsextraktion (German)
Ein Stadtmittetreffen (German)
The internal structure of German compound words is analysed within searched documents as well as within query phrases in the topic matching use case, but not within search phrases. In search phrases, compound words should be reexpressed as genitive constructions even in cases where this does not strictly capture their meaning:
Extraktion der Information (German)
Ein Treffen der Stadtmitte (German)
The following types of structures should be used with caution in search phrases:
A fierce dog chases a scared cat on the way to the theatre (English)
Ein kämpferischer Hund jagt eine verängstigte Katze auf dem Weg ins Theater (German)
Holmes can handle any level of complexity within search phrases, but the more complex a structure, the less likely it becomes that a document sentence will match it. If it is really necessary to match such complex relationships with search phrases rather than with topic matching, they are typically better extracted by splitting the search phrase up, eg
A fierce dog (English)
A scared cat (English)
A dog chases a cat (English)
Something chases something on the way to the theatre (English)
Ein kämpferischer Hund (German)
Eine verängstigte Katze (German)
Ein Hund jagt eine Katze (German)
Etwas jagt etwas auf dem Weg ins Theater (German)
Correlations between the resulting matches can then be established by matching via the Manager.match() function and looking for situations where the document token objects are shared across multiple match objects.
One possible exception to this piece of advice is when embedding-based matching is active. Because whether or not each word in a search phrase matches then depends on whether or not other words in the same search phrase have been matched, large, complex search phrases can sometimes yield results that a combination of smaller, simpler search phrases would not.
The chasing of a cat (English)
Die Jagd einer Katze (German)
These will often work, but it is generally better practice to use verbal search phrases like
Something chases a cat (English)
Etwas jagt eine Katze (German)
and to allow the corresponding nominal phrases to be matched via derivation-based matching.
The chatbot use case has already been introduced: a predefined set of search phrases is used to extract information from phrases entered interactively by an end user, which in this use case act as the documents.
The Holmes source code ships with two examples demonstrating the chatbot use case, one for each language, with predefined ontologies. Having cloned the source code and installed the Holmes library, navigate to the /examples directory and type the following (Linux):
Englisch:
python3 example_chatbot_EN_insurance.py
Deutsch:
python3 example_chatbot_DE_insurance.py
or click on the files in Windows Explorer (Windows).
Holmes matches syntactically distinct structures that are semantically equivalent, ie that share the same meaning. In a real chatbot use case, users will typically enter equivalent information with phrases that are semantically distinct as well, ie that have different meanings. Because the effort involved in registering a search phrase is barely greater than the time it takes to type it in, it makes sense to register a large number of search phrases for each relationship you are trying to extract: essentially all ways people have been observed to express the information you are interested in or all ways you can imagine somebody might express the information you are interested in . To assist this, search phrases can be registered with labels that do not need to be unique: a label can then be used to express the relationship an entire group of search phrases is designed to extract. Note that when many search phrases have been defined to extract the same relationship, a single user entry is likely to be sometimes matched by multiple search phrases. This must be handled appropriately by the calling application.
One obvious weakness of Holmes in the chatbot setting is its sensitivity to correct spelling and, to a lesser extent, to correct grammar. Strategies for mitigating this weakness include:
The structural extraction use case uses structural matching in the same way as the chatbot use case, and many of the same comments and tips apply to it. The principal differences are that pre-existing and often lengthy documents are scanned rather than text snippets entered ad-hoc by the user, and that the returned match objects are not used to drive a dialog flow; they are examined solely to extract and store structured information.
Code for performing structural extraction would typically perform the following tasks:
Manager.register_search_phrase() several times to define a number of search phrases specifying the information to be extracted.Manager.parse_and_register_document() several times to load a number of documents within which to search.Manager.match() to perform the matching.The topic matching use case matches a query document , or alternatively a query phrase entered ad-hoc by the user, against a set of documents pre-loaded into memory. The aim is to find the passages in the documents whose topic most closely corresponds to the topic of the query document; the output is a ordered list of passages scored according to topic similarity. Additionally, if a query phrase contains an initial question word, the output will contain potential answers to the question.
Topic matching queries may contain generic pronouns and named-entity identifiers just like search phrases, although the ENTITYNOUN token is not supported. However, an important difference from search phrases is that the topic matching use case places no restrictions on the grammatical structures permissible within the query document.
In addition to the Holmes demonstration website, the Holmes source code ships with three examples demonstrating the topic matching use case with an English literature corpus, a German literature corpus and a German legal corpus respectively. Users are encouraged to run these to get a feel for how they work.
Topic matching uses a variety of strategies to find text passages that are relevant to the query. These include resource-hungry procedures like investigating semantic relationships and comparing embeddings. Because applying these across the board would prevent topic matching from scaling, Holmes only attempts them for specific areas of the text that less resource-intensive strategies have already marked as looking promising. This and the other interior workings of topic matching are explained here.
In the supervised document classification use case, a classifier is trained with a number of documents that are each pre-labelled with a classification. The trained classifier then assigns one or more labels to new documents according to what each new document is about. As explained here, ontologies can be used both to enrichen the comparison of the content of the various documents and to capture implication relationships between classification labels.
A classifier makes use of a neural network (a multilayer perceptron) whose topology can either be determined automatically by Holmes or specified explicitly by the user. With a large number of training documents, the automatically determined topology can easily exhaust the memory available on a typical machine; if there is no opportunity to scale up the memory, this problem can be remedied by specifying a smaller number of hidden layers or a smaller number of nodes in one or more of the layers.
A trained document classification model retains no references to its training data. This is an advantage from a data protection viewpoint, although it cannot presently be guaranteed that models will not contain individual personal or company names.
A typical problem with the execution of many document classification use cases is that a new classification label is added when the system is already live but that there are initially no examples of this new classification with which to train a new model. The best course of action in such a situation is to define search phrases which preselect the more obvious documents with the new classification using structural matching. Those documents that are not preselected as having the new classification label are then passed to the existing, previously trained classifier in the normal way. When enough documents exemplifying the new classification have accumulated in the system, the model can be retrained and the preselection search phrases removed.
Holmes ships with an example script demonstrating supervised document classification for English with the BBC Documents dataset. The script downloads the documents (for this operation and for this operation alone, you will need to be online) and places them in a working directory. When training is complete, the script saves the model to the working directory. If the model file is found in the working directory on subsequent invocations of the script, the training phase is skipped and the script goes straight to the testing phase. This means that if it is wished to repeat the training phase, either the model has to be deleted from the working directory or a new working directory has to be specified to the script.
Having cloned the source code and installed the Holmes library, navigate to the /examples directory. Specify a working directory at the top of the example_supervised_topic_model_EN.py file, then type python3 example_supervised_topic_model_EN (Linux) or click on the script in Windows Explorer (Windows).
It is important to realise that Holmes learns to classify documents according to the words or semantic relationships they contain, taking any structural matching ontology into account in the process. For many classification tasks, this is exactly what is required; but there are tasks (eg author attribution according to the frequency of grammatical constructions typical for each author) where it is not. For the right task, Holmes achieves impressive results. For the BBC Documents benchmark processed by the example script, Holmes performs slightly better than benchmarks available online (see eg here) although the difference is probably too slight to be significant, especially given that the different training/test splits were used in each case: Holmes has been observed to learn models that predict the correct result between 96.9% and 98.7% of the time. The range is explained by the fact that the behaviour of the neural network is not fully deterministic.
The interior workings of supervised document classification are explained here.
Manager holmes_extractor.Manager(self, model, *, overall_similarity_threshold=1.0,
embedding_based_matching_on_root_words=False, ontology=None,
analyze_derivational_morphology=True, perform_coreference_resolution=None,
number_of_workers=None, verbose=False)
The facade class for the Holmes library.
Parameters:
model -- the name of the spaCy model, e.g. *en_core_web_trf*
overall_similarity_threshold -- the overall similarity threshold for embedding-based
matching. Defaults to *1.0*, which deactivates embedding-based matching. Note that this
parameter is not relevant for topic matching, where the thresholds for embedding-based
matching are set on the call to *topic_match_documents_against*.
embedding_based_matching_on_root_words -- determines whether or not embedding-based
matching should be attempted on search-phrase root tokens, which has a considerable
performance hit. Defaults to *False*. Note that this parameter is not relevant for topic
matching.
ontology -- an *Ontology* object. Defaults to *None* (no ontology).
analyze_derivational_morphology -- *True* if matching should be attempted between different
words from the same word family. Defaults to *True*.
perform_coreference_resolution -- *True* if coreference resolution should be taken into account
when matching. Defaults to *True*.
use_reverse_dependency_matching -- *True* if appropriate dependencies in documents can be
matched to dependencies in search phrases where the two dependencies point in opposite
directions. Defaults to *True*.
number_of_workers -- the number of worker processes to use, or *None* if the number of worker
processes should depend on the number of available cores. Defaults to *None*
verbose -- a boolean value specifying whether multiprocessing messages should be outputted to
the console. Defaults to *False*
Manager.register_serialized_document(self, serialized_document:bytes, label:str="") -> None
Parameters:
document -- a preparsed Holmes document.
label -- a label for the document which must be unique. Defaults to the empty string,
which is intended for use cases involving single documents (typically user entries).
Manager.register_serialized_documents(self, document_dictionary:dict[str, bytes]) -> None
Note that this function is the most efficient way of loading documents.
Parameters:
document_dictionary -- a dictionary from labels to serialized documents.
Manager.parse_and_register_document(self, document_text:str, label:str='') -> None
Parameters:
document_text -- the raw document text.
label -- a label for the document which must be unique. Defaults to the empty string,
which is intended for use cases involving single documents (typically user entries).
Manager.remove_document(self, label:str) -> None
Manager.remove_all_documents(self, labels_starting:str=None) -> None
Parameters:
labels_starting -- a string starting the labels of documents to be removed,
or 'None' if all documents are to be removed.
Manager.list_document_labels(self) -> List[str]
Returns a list of the labels of the currently registered documents.
Manager.serialize_document(self, label:str) -> Optional[bytes]
Returns a serialized representation of a Holmes document that can be
persisted to a file. If 'label' is not the label of a registered document,
'None' is returned instead.
Parameters:
label -- the label of the document to be serialized.
Manager.get_document(self, label:str='') -> Optional[Doc]
Returns a Holmes document. If *label* is not the label of a registered document, *None*
is returned instead.
Parameters:
label -- the label of the document to be serialized.
Manager.debug_document(self, label:str='') -> None
Outputs a debug representation for a loaded document.
Parameters:
label -- the label of the document to be serialized.
Manager.register_search_phrase(self, search_phrase_text:str, label:str=None) -> SearchPhrase
Registers and returns a new search phrase.
Parameters:
search_phrase_text -- the raw search phrase text.
label -- a label for the search phrase, which need not be unique.
If label==None, the assigned label defaults to the raw search phrase text.
Manager.remove_all_search_phrases_with_label(self, label:str) -> None
Manager.remove_all_search_phrases(self) -> None
Manager.list_search_phrase_labels(self) -> List[str]
Manager.match(self, search_phrase_text:str=None, document_text:str=None) -> List[Dict]
Matches search phrases to documents and returns the result as match dictionaries.
Parameters:
search_phrase_text -- a text from which to generate a search phrase, or 'None' if the
preloaded search phrases should be used for matching.
document_text -- a text from which to generate a document, or 'None' if the preloaded
documents should be used for matching.
topic_match_documents_against(self, text_to_match:str, *,
use_frequency_factor:bool=True,
maximum_activation_distance:int=75,
word_embedding_match_threshold:float=0.8,
initial_question_word_embedding_match_threshold:float=0.7,
relation_score:int=300,
reverse_only_relation_score:int=200,
single_word_score:int=50,
single_word_any_tag_score:int=20,
initial_question_word_answer_score:int=600,
initial_question_word_behaviour:str='process',
different_match_cutoff_score:int=15,
overlapping_relation_multiplier:float=1.5,
embedding_penalty:float=0.6,
ontology_penalty:float=0.9,
relation_matching_frequency_threshold:float=0.25,
embedding_matching_frequency_threshold:float=0.5,
sideways_match_extent:int=100,
only_one_result_per_document:bool=False,
number_of_results:int=10,
document_label_filter:str=None,
tied_result_quotient:float=0.9) -> List[Dict]:
Returns a list of dictionaries representing the results of a topic match between an entered text
and the loaded documents.
Properties:
text_to_match -- the text to match against the loaded documents.
use_frequency_factor -- *True* if scores should be multiplied by a factor between 0 and 1
expressing how rare the words matching each phraselet are in the corpus. Note that,
even if this parameter is set to *False*, the factors are still calculated as they are
required for determining which relation and embedding matches should be attempted.
maximum_activation_distance -- the number of words it takes for a previous phraselet
activation to reduce to zero when the library is reading through a document.
word_embedding_match_threshold -- the cosine similarity above which two words match where
the search phrase word does not govern an interrogative pronoun.
initial_question_word_embedding_match_threshold -- the cosine similarity above which two
words match where the search phrase word governs an interrogative pronoun.
relation_score -- the activation score added when a normal two-word relation is matched.
reverse_only_relation_score -- the activation score added when a two-word relation
is matched using a search phrase that can only be reverse-matched.
single_word_score -- the activation score added when a single noun is matched.
single_word_any_tag_score -- the activation score added when a single word is matched
that is not a noun.
initial_question_word_answer_score -- the activation score added when a question word is
matched to an potential answer phrase.
initial_question_word_behaviour -- 'process' if a question word in the sentence
constituent at the beginning of *text_to_match* is to be matched to document phrases
that answer it and to matching question words; 'exclusive' if only topic matches that
answer questions are to be permitted; 'ignore' if question words are to be ignored.
different_match_cutoff_score -- the activation threshold under which topic matches are
separated from one another. Note that the default value will probably be too low if
*use_frequency_factor* is set to *False*.
overlapping_relation_multiplier -- the value by which the activation score is multiplied
when two relations were matched and the matches involved a common document word.
embedding_penalty -- a value between 0 and 1 with which scores are multiplied when the
match involved an embedding. The result is additionally multiplied by the overall
similarity measure of the match.
ontology_penalty -- a value between 0 and 1 with which scores are multiplied for each
word match within a match that involved the ontology. For each such word match,
the score is multiplied by the value (abs(depth) + 1) times, so that the penalty is
higher for hyponyms and hypernyms than for synonyms and increases with the
depth distance.
relation_matching_frequency_threshold -- the frequency threshold above which single
word matches are used as the basis for attempting relation matches.
embedding_matching_frequency_threshold -- the frequency threshold above which single
word matches are used as the basis for attempting relation matches with
embedding-based matching on the second word.
sideways_match_extent -- the maximum number of words that may be incorporated into a
topic match either side of the word where the activation peaked.
only_one_result_per_document -- if 'True', prevents multiple results from being returned
for the same document.
number_of_results -- the number of topic match objects to return.
document_label_filter -- optionally, a string with which document labels must start to
be considered for inclusion in the results.
tied_result_quotient -- the quotient between a result and following results above which
the results are interpreted as tied.
Manager.get_supervised_topic_training_basis(self, *, classification_ontology:Ontology=None,
overlap_memory_size:int=10, oneshot:bool=True, match_all_words:bool=False,
verbose:bool=True) -> SupervisedTopicTrainingBasis:
Returns an object that is used to train and generate a model for the
supervised document classification use case.
Parameters:
classification_ontology -- an Ontology object incorporating relationships between
classification labels, or 'None' if no such ontology is to be used.
overlap_memory_size -- how many non-word phraselet matches to the left should be
checked for words in common with a current match.
oneshot -- whether the same word or relationship matched multiple times within a
single document should be counted once only (value 'True') or multiple times
(value 'False')
match_all_words -- whether all single words should be taken into account
(value 'True') or only single words with noun tags (value 'False')
verbose -- if 'True', information about training progress is outputted to the console.
Manager.deserialize_supervised_topic_classifier(self,
serialized_model:bytes, verbose:bool=False) -> SupervisedTopicClassifier:
Returns a classifier for the supervised document classification use case
that will use a supplied pre-trained model.
Parameters:
serialized_model -- the pre-trained model as returned from `SupervisedTopicClassifier.serialize_model()`.
verbose -- if 'True', information about matching is outputted to the console.
Manager.start_chatbot_mode_console(self)
Starts a chatbot mode console enabling the matching of pre-registered
search phrases to documents (chatbot entries) entered ad-hoc by the
user.
Manager.start_structural_search_mode_console(self)
Starts a structural extraction mode console enabling the matching of pre-registered
documents to search phrases entered ad-hoc by the user.
Manager.start_topic_matching_search_mode_console(self,
only_one_result_per_document:bool=False, word_embedding_match_threshold:float=0.8,
initial_question_word_embedding_match_threshold:float=0.7):
Starts a topic matching search mode console enabling the matching of pre-registered
documents to query phrases entered ad-hoc by the user.
Parameters:
only_one_result_per_document -- if 'True', prevents multiple topic match
results from being returned for the same document.
word_embedding_match_threshold -- the cosine similarity above which two words match where the
search phrase word does not govern an interrogative pronoun.
initial_question_word_embedding_match_threshold -- the cosine similarity above which two
words match where the search phrase word governs an interrogative pronoun.
Manager.close(self) -> None
Terminates the worker processes.
manager.nlp manager.nlp is the underlying spaCy Language object on which both Coreferee and Holmes have been registered as custom pipeline components. The most efficient way of parsing documents for use with Holmes is to call manager.nlp.pipe() . This yields an iterable of documents that can then be loaded into Holmes via manager.register_serialized_documents() .
The pipe() method has an argument n_process that specifies the number of processors to use. With _lg , _md and _sm spaCy models, there are some situations where it can make sense to specify a value other than 1 (the default). Note however that with transformer spaCy models ( _trf ) values other than 1 are not supported.
Ontology holmes_extractor.Ontology(self, ontology_path,
owl_class_type='http://www.w3.org/2002/07/owl#Class',
owl_individual_type='http://www.w3.org/2002/07/owl#NamedIndividual',
owl_type_link='http://www.w3.org/1999/02/22-rdf-syntax-ns#type',
owl_synonym_type='http://www.w3.org/2002/07/owl#equivalentClass',
owl_hyponym_type='http://www.w3.org/2000/01/rdf-schema#subClassOf',
symmetric_matching=False)
Loads information from an existing ontology and manages ontology
matching.
The ontology must follow the W3C OWL 2 standard. Search phrase words are
matched to hyponyms, synonyms and instances from within documents being
searched.
This class is designed for small ontologies that have been constructed
by hand for specific use cases. Where the aim is to model a large number
of semantic relationships, word embeddings are likely to offer
better results.
Holmes is not designed to support changes to a loaded ontology via direct
calls to the methods of this class. It is also not permitted to share a single instance
of this class between multiple Manager instances: instead, a separate Ontology instance
pointing to the same path should be created for each Manager.
Matching is case-insensitive.
Parameters:
ontology_path -- the path from where the ontology is to be loaded,
or a list of several such paths. See https://github.com/RDFLib/rdflib/.
owl_class_type -- optionally overrides the OWL 2 URL for types.
owl_individual_type -- optionally overrides the OWL 2 URL for individuals.
owl_type_link -- optionally overrides the RDF URL for types.
owl_synonym_type -- optionally overrides the OWL 2 URL for synonyms.
owl_hyponym_type -- optionally overrides the RDF URL for hyponyms.
symmetric_matching -- if 'True', means hypernym relationships are also taken into account.
SupervisedTopicTrainingBasis (returned from Manager.get_supervised_topic_training_basis() )Holder object for training documents and their classifications from which one or more SupervisedTopicModelTrainer objects can be derived. This class is NOT threadsafe.
SupervisedTopicTrainingBasis.parse_and_register_training_document(self, text:str, classification:str,
label:Optional[str]=None) -> None
Parses and registers a document to use for training.
Parameters:
text -- the document text
classification -- the classification label
label -- a label with which to identify the document in verbose training output,
or 'None' if a random label should be assigned.
SupervisedTopicTrainingBasis.register_training_document(self, doc:Doc, classification:str,
label:Optional[str]=None) -> None
Registers a pre-parsed document to use for training.
Parameters:
doc -- the document
classification -- the classification label
label -- a label with which to identify the document in verbose training output,
or 'None' if a random label should be assigned.
SupervisedTopicTrainingBasis.register_additional_classification_label(self, label:str) -> None
Register an additional classification label which no training document possesses explicitly
but that should be assigned to documents whose explicit labels are related to the
additional classification label via the classification ontology.
SupervisedTopicTrainingBasis.prepare(self) -> None
Matches the phraselets derived from the training documents against the training
documents to generate frequencies that also include combined labels, and examines the
explicit classification labels, the additional classification labels and the
classification ontology to derive classification implications.
Once this method has been called, the instance no longer accepts new training documents
or additional classification labels.
SupervisedTopicTrainingBasis.train(
self,
*,
minimum_occurrences: int = 4,
cv_threshold: float = 1.0,
learning_rate: float = 0.001,
batch_size: int = 5,
max_epochs: int = 200,
convergence_threshold: float = 0.0001,
hidden_layer_sizes: Optional[List[int]] = None,
shuffle: bool = True,
normalize: bool = True
) -> SupervisedTopicModelTrainer:
Trains a model based on the prepared state.
Parameters:
minimum_occurrences -- the minimum number of times a word or relationship has to
occur in the context of the same classification for the phraselet
to be accepted into the final model.
cv_threshold -- the minimum coefficient of variation with which a word or relationship has
to occur across the explicit classification labels for the phraselet to be
accepted into the final model.
learning_rate -- the learning rate for the Adam optimizer.
batch_size -- the number of documents in each training batch.
max_epochs -- the maximum number of training epochs.
convergence_threshold -- the threshold below which loss measurements after consecutive
epochs are regarded as equivalent. Training stops before 'max_epochs' is reached
if equivalent results are achieved after four consecutive epochs.
hidden_layer_sizes -- a list containing the number of neurons in each hidden layer, or
'None' if the topology should be determined automatically.
shuffle -- 'True' if documents should be shuffled during batching.
normalize -- 'True' if normalization should be applied to the loss function.
SupervisedTopicModelTrainer (returned from SupervisedTopicTrainingBasis.train() ) Worker object used to train and generate models. This object could be removed from the public interface ( SupervisedTopicTrainingBasis.train() could return a SupervisedTopicClassifier directly) but has been retained to facilitate testability.
This class is NOT threadsafe.
SupervisedTopicModelTrainer.classifier(self)
Returns a supervised topic classifier which contains no explicit references to the training data and that
can be serialized.
SupervisedTopicClassifier (returned from SupervisedTopicModelTrainer.classifier() and Manager.deserialize_supervised_topic_classifier() ))
SupervisedTopicClassifier.def parse_and_classify(self, text: str) -> Optional[OrderedDict]:
Returns a dictionary from classification labels to probabilities
ordered starting with the most probable, or *None* if the text did
not contain any words recognised by the model.
Parameters:
text -- the text to parse and classify.
SupervisedTopicClassifier.classify(self, doc: Doc) -> Optional[OrderedDict]:
Returns a dictionary from classification labels to probabilities
ordered starting with the most probable, or *None* if the text did
not contain any words recognised by the model.
Parameters:
doc -- the pre-parsed document to classify.
SupervisedTopicClassifier.serialize_model(self) -> str
Returns a serialized model that can be reloaded using
*Manager.deserialize_supervised_topic_classifier()*
Manager.match() A text-only representation of a match between a search phrase and a
document. The indexes refer to tokens.
Properties:
search_phrase_label -- the label of the search phrase.
search_phrase_text -- the text of the search phrase.
document -- the label of the document.
index_within_document -- the index of the match within the document.
sentences_within_document -- the raw text of the sentences within the document that matched.
negated -- 'True' if this match is negated.
uncertain -- 'True' if this match is uncertain.
involves_coreference -- 'True' if this match was found using coreference resolution.
overall_similarity_measure -- the overall similarity of the match, or
'1.0' if embedding-based matching was not involved in the match.
word_matches -- an array of dictionaries with the properties:
search_phrase_token_index -- the index of the token that matched from the search phrase.
search_phrase_word -- the string that matched from the search phrase.
document_token_index -- the index of the token that matched within the document.
first_document_token_index -- the index of the first token that matched within the document.
Identical to 'document_token_index' except where the match involves a multiword phrase.
last_document_token_index -- the index of the last token that matched within the document
(NOT one more than that index). Identical to 'document_token_index' except where the match
involves a multiword phrase.
structurally_matched_document_token_index -- the index of the token within the document that
structurally matched the search phrase token. Is either the same as 'document_token_index' or
is linked to 'document_token_index' within a coreference chain.
document_subword_index -- the index of the token subword that matched within the document, or
'None' if matching was not with a subword but with an entire token.
document_subword_containing_token_index -- the index of the document token that contained the
subword that matched, which may be different from 'document_token_index' in situations where a
word containing multiple subwords is split by hyphenation and a subword whose sense
contributes to a word is not overtly realised within that word.
document_word -- the string that matched from the document.
document_phrase -- the phrase headed by the word that matched from the document.
match_type -- 'direct', 'derivation', 'entity', 'embedding', 'ontology', 'entity_embedding'
or 'question'.
negated -- 'True' if this word match is negated.
uncertain -- 'True' if this word match is uncertain.
similarity_measure -- for types 'embedding' and 'entity_embedding', the similarity between the
two tokens, otherwise '1.0'.
involves_coreference -- 'True' if the word was matched using coreference resolution.
extracted_word -- within the coreference chain, the most specific term that corresponded to
the document_word.
depth -- the number of hyponym relationships linking 'search_phrase_word' and
'extracted_word', or '0' if ontology-based matching is not active. Can be negative
if symmetric matching is active.
explanation -- creates a human-readable explanation of the word match from the perspective of the
document word (e.g. to be used as a tooltip over it).
Manager.topic_match_documents_against() A text-only representation of a topic match between a search text and a document.
Properties:
document_label -- the label of the document.
text -- the document text that was matched.
text_to_match -- the search text.
rank -- a string representation of the scoring rank which can have the form e.g. '2=' in case of a tie.
index_within_document -- the index of the document token where the activation peaked.
subword_index -- the index of the subword within the document token where the activation peaked, or
'None' if the activation did not peak at a specific subword.
start_index -- the index of the first document token in the topic match.
end_index -- the index of the last document token in the topic match (NOT one more than that index).
sentences_start_index -- the token start index within the document of the sentence that contains
'start_index'
sentences_end_index -- the token end index within the document of the sentence that contains
'end_index' (NOT one more than that index).
sentences_character_start_index_in_document -- the character index of the first character of 'text'
within the document.
sentences_character_end_index_in_document -- one more than the character index of the last
character of 'text' within the document.
score -- the score
word_infos -- an array of arrays with the semantics:
[0] -- 'relative_start_index' -- the index of the first character in the word relative to
'sentences_character_start_index_in_document'.
[1] -- 'relative_end_index' -- one more than the index of the last character in the word
relative to 'sentences_character_start_index_in_document'.
[2] -- 'type' -- 'single' for a single-word match, 'relation' if within a relation match
involving two words, 'overlapping_relation' if within a relation match involving three
or more words.
[3] -- 'is_highest_activation' -- 'True' if this was the word at which the highest activation
score reported in 'score' was achieved, otherwise 'False'.
[4] -- 'explanation' -- a human-readable explanation of the word match from the perspective of
the document word (e.g. to be used as a tooltip over it).
answers -- an array of arrays with the semantics:
[0] -- the index of the first character of a potential answer to an initial question word.
[1] -- one more than the index of the last character of a potential answer to an initial question
word.
Earlier versions of Holmes could only be published under a restrictive license because of patent issues. As explained in the introduction, this is no longer the case thanks to the generosity of AstraZeneca: versions from 4.0.0 onwards are licensed under the MIT license.
The word-level matching and the high-level operation of structural matching between search-phrase and document subgraphs both work more or less as one would expect. What is perhaps more in need of further comment is the semantic analysis code subsumed in the parsing.py script as well as in the language_specific_rules.py script for each language.
SemanticAnalyzer is an abstract class that is subclassed for each language: at present by EnglishSemanticAnalyzer and GermanSemanticAnalyzer . These classes contain most of the semantic analysis code. SemanticMatchingHelper is a second abstract class, again with an concrete implementation for each language, that contains semantic analysis code that is required at matching time. Moving this out to a separate class family was necessary because, on operating systems that spawn processes rather than forking processes (eg Windows), SemanticMatchingHelper instances have to be serialized when the worker processes are created: this would not be possible for SemanticAnalyzer instances because not all spaCy models are serializable, and would also unnecessarily consume large amounts of memory.
At present, all functionality that is common to the two languages is realised in the two abstract parent classes. Especially because English and German are closely related languages, it is probable that functionality will need to be moved from the abstract parent classes to specific implementing children classes if and when new semantic analyzers are added for new languages.
The HolmesDictionary class is defined as a spaCy extension attribute that is accessed using the syntax token._.holmes . The most important information in the dictionary is a list of SemanticDependency objects. These are derived from the dependency relationships in the spaCy output ( token.dep_ ) but go through a considerable amount of processing to make them 'less syntactic' and 'more semantic'. To give but a few examples:
Some new semantic dependency labels that do not occur in spaCy outputs as values of token.dep_ are added for Holmes semantic dependencies. It is important to understand that Holmes semantic dependencies are used exclusively for matching and are therefore neither intended nor required to form a coherent set of linguistic theoretical entities or relationships; whatever works best for matching is assigned on an ad-hoc basis.
For each language, the match_implication_dict dictionary maps search-phrase semantic dependencies to matching document semantic dependencies and is responsible for the asymmetry of matching between search phrases and documents.
Topic matching involves the following steps:
SemanticMatchingHelper.topic_matching_phraselet_stop_lemmas ), which are consistently ignored throughout the whole process.SemanticMatchingHelper.phraselet_templates .SemanticMatchingHelper.topic_matching_reverse_only_parent_lemmas ) or when the frequency factor for the parent word is below the threshold for relation matching ( relation_matching_frequency_threshold , default: 0.25). These measures are necessary because matching on eg a parent preposition would lead to a large number of potential matches that would take a lot of resources to investigate: it is better to start investigation from the less frequent word within a given relation.relation_matching_frequency_threshold , default: 0.25).embedding_matching_frequency_threshold , default: 0.5), matching at all of those words where the relation template has not already been matched is retried using embeddings at the other word within the relation. A pair of words is then regarded as matching when their mutual cosine similarity is above initial_question_word_embedding_match_threshold (default: 0.7) in situations where the document word has an initial question word in its phrase or word_embedding_match_threshold (default: 0.8) in all other situations.use_frequency_factor is set to True (the default), each score is scaled by the frequency factor of its phraselet, meaning that words that occur less frequently in the corpus give rise to higher scores.maximum_activation_distance ; default: 75) of its value is subtracted from it as each new word is read.single_word_score ; default: 50), a non-noun single-word phraselet or a noun phraselet that matched a subword ( single_word_any_tag_score ; default: 20), a relation phraselet produced by a reverse-only template ( reverse_only_relation_score ; default: 200), any other (normally matched) relation phraselet ( relation_score ; default: 300), or a relation phraselet involving an initial question word ( initial_question_word_answer_score ; default: 600).embedding_penalty ; default: 0.6).ontology_penalty ; default: 0.9) once more often than the difference in depth between the two ontology entries, ie once for a synonym, twice for a child, three times for a grandchild and so on.overlapping_relation_multiplier ; default: 1.5).sideways_match_extent ; default: 100 words) within which the activation score is higher than the different_match_cutoff_score (default: 15) are regarded as belonging to a contiguous passage around the peak that is then returned as a TopicMatch object. (Note that this default will almost certainly turn out to be too low if use_frequency_factor is set to False .) A word whose activation equals the threshold exactly is included at the beginning of the area as long as the next word where activation increases has a score above the threshold. If the topic match peak is below the threshold, the topic match will only consist of the peak word.initial_question_word_behaviour is set to process (the default) or to exclusive , where a document word has matched an initial question word from the query phrase, the subtree of the matched document word is identified as a potential answer to the question and added to the dictionary to be returned. If initial_question_word_behaviour is set to exclusive , any topic matches that do not contain answers to initial question words are discarded.only_one_result_per_document = True prevents more than one result from being returned from the same document; only the result from each document with the highest score will then be returned.tied_result_quotient (default: 0.9) are labelled as tied. The supervised document classification use case relies on the same phraselets as the topic matching use case, although reverse-only templates are ignored and a different set of stop words is used ( SemanticMatchingHelper.supervised_document_classification_phraselet_stop_lemmas ). Classifiers are built and trained as follows:
oneshot ; whether single-word phraselets are generated for all words with their own meaning or only for those such words whose part-of-speech tags match the single-word phraselet template specification (essentially: noun phraselets) depends on the value of match_all_words . Wherever two phraselet matches overlap, a combined match is recorded. Combined matches are treated in the same way as other phraselet matches in further processing. This means that effectively the algorithm picks up one-word, two-word and three-word semantic combinations. See here for a discussion of the performance of this step.minimum_occurrences ; default: 4) or where the coefficient of variation (the standard deviation divided by the arithmetic mean) of the occurrences across the categories is below a threshold ( cv_threshold ; default: 1.0).oneshot==True vs. oneshot==False respectively). The outputs are the category labels, including any additional labels determined via a classification ontology. By default, the multilayer perceptron has three hidden layers where the first hidden layer has the same number of neurons as the input layer and the second and third layers have sizes in between the input and the output layer with an equally sized step between each size; the user is however free to specify any other topology.Holmes code is formatted with black.
The complexity of what Holmes does makes development impossible without a robust set of over 1400 regression tests. These can be executed individually with unittest or all at once by running the pytest utility from the Holmes source code root directory. (Note that the Python 3 command on Linux is pytest-3 .)
The pytest variant will only work on machines with sufficient memory resources. To reduce this problem, the tests are distributed across three subdirectories, so that pytest can be run three times, once from each subdirectory:
New languages can be added to Holmes by subclassing the SemanticAnalyzer and SemanticMatchingHelper classes as explained here.
The sets of matching semantic dependencies captured in the _matching_dep_dict dictionary for each language have been obtained on the basis of a mixture of linguistic-theoretical expectations and trial and error. The results would probably be improved if the _matching_dep_dict dictionaries could be derived using machine learning instead; as yet this has not been attempted because of the lack of appropriate training data.
An attempt should be made to remove personal data from supervised document classification models to make them more compliant with data protection laws.
In cases where embedding-based matching is not active, the second step of the supervised document classification procedure repeats a considerable amount of processing from the first step. Retaining the relevant information from the first step of the procedure would greatly improve training performance. This has not been attempted up to now because a large number of tests would be required to prove that such performance improvements did not have any inadvertent impacts on functionality.
The topic matching and supervised document classification use cases are both configured with a number of hyperparameters that are presently set to best-guess values derived on a purely theoretical basis. Results could be further improved by testing the use cases with a variety of hyperparameters to learn the optimal values.
The initial open-source version.
pobjp linking parents of prepositions directly with their children.MultiprocessingManager object as its facade.Manager and MultiprocessingManager classes into a single Manager class, with a redesigned public interface, that uses worker threads for everything except supervised document classification.
