PyABSA

Pyabsa: un marco modularizado para el análisis de sentimientos de aspecto reproducible (documento)

¡Hola! ¡Estrata este repositorio si te ayuda! Cada estrella ayuda a Pyabsa a ir más allá, muchas gracias. Pyabsa es una herramienta gratuita y de código abierto para todos, pero no olvide adjuntar la información (informal o formal) del autor y la dirección del proyecto en sus trabajos, productos y publicaciones, etc.

Prueba nuestras demos en el espacio de Huggingface

Además del documento, hay dos nuevas características en Pyabsa: extracción de triplete de sentimiento de aspecto y extracción cuádruple de aspecto. Hemos implementado las demostraciones en Huggingface Space, puede probarlas en línea.

• Aspect Sentiment Tutruple Extracción (English) Nueva característica
• Aspect Sentiment Triplet Extracción (inglés) Nueva función
• (Gradio) Aspecto Término de extracción y clasificación de sentimientos (inglés, chino, árabe, holandés, francés, ruso, español, turco, etc.)
• (Prototipo) Aspecto Término Extracción y clasificación de sentimientos (inglés, chino, árabe, holandés, francés, ruso, español, turco, etc.)
• 方面术语提取和情感分类 （中文, etc.）
• Clasificación de sentimientos basados en aspectos (multilingües) （Inglés, chino, etc.）

Ejemplos de uso

Hemos preparado muchos ejemplos para diferentes tareas. Consulte ejemplos para obtener más ejemplos de uso.

Instalación

Instalar a través de PIP

Para usar Pyabsa, instale la última versión de PIP o código fuente:

pip install -U pyabsa

Instalar a través de la fuente

git clone https://github.com/yangheng95/PyABSA --depth=1
cd PyABSA 
python setup.py install

De inicio rápido

Extraer términos de aspecto y clasificar los sentimientos

 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 )

Análisis de sentimientos basado en aspectos

 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 )

Anotación del conjunto de datos y capacitación de modelos

Consulte la documentación: documentación de Pyabsa. Si tiene alguna pregunta sobre los documentos, no dude en plantear un problema. Además, puede unirse para mejorar los documentos.

Aviso

Este repositorio se basa en nuestros documentos para la investigación de ABSA. Estos son los documentos a los que puede citar o consultar para sus implementaciones:

Modelos de clasificación de polaridad de sentimiento de aspecto

1. Volver a la realidad: aprovechando el modelado basado en patrones para permitir el aprendizaje de dependencia de sentimientos asequibles (por ejemplo, Fast-LSA, 2020)
2. Aprendizaje para el sentimiento dependiente del objetivo basado en la incrustación de contexto local consciente (por ejemplo, LCA-NET, 2020)
3. LCF: un mecanismo de enfoque de contexto local para la clasificación de sentimientos de aspecto (por ejemplo, LCF-Bert, 2019)

Aspecto Sentimiento Clasificación de polaridad y modelos de extracción de término de aspecto

1. Un modelo de aprendizaje de tareas múltiples para clasificación de polaridad de aspecto orientado a chino y extracción de término de aspecto] (por ejemplo, Fast-LCF-ATPC, 2020)
2. (ARXIV) Un modelo de aprendizaje de varias tareas para la clasificación de polaridad de aspecto orientado a los chinos y extracción de término de aspecto

Si está buscando la propuesta original de enfoque de contexto local, aquí hay alguna introducción aquí.

Citación

 @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 }
}

Contribución

Este repositorio es desarrollado y mantenido por Heng Yang (Yangheng95@Github), con una gran contribución de los investigadores de la comunidad. Esperamos que pueda ayudarnos a mejorar este proyecto, y sus contribuciones son bienvenidas. Puede hacer una contribución de muchas maneras, incluyendo:

• Comparta su conjunto de datos personalizado en Pyabsa y Absadatasets
• Integra sus modelos en Pyabsa. (Puede compartir sus modelos, ya sea o no en Pyabsa. Si está interesado, lo ayudaremos)
• Levante un informe de error mientras usa Pyabsa o revisa el código (Pyabsa es un proyecto individual impulsado por el entusiasmo para que se necesite su ayuda)
• Danos algunos consejos sobre el diseño/refactor de funciones (puede aconsejar para mejorar algunas características)
• Corrija/reescribe algunos mensajes de error o comentario de código (los comentarios no son escritos por el hablante de inglés nativo, puede ayudarnos a mejorar los documentos)
• Cree un script de ejemplo en una situación particular (como especificar un modelo de Spacy, tipo de berto prevente, algunos hiperparametros)
• Estrella este repositorio para mantenerlo activo

Licencia

Pyabsa se publica bajo la licencia MIT, por favor cita este repositorio (o documentos) o adjunte la información del autor en su trabajo (repositorio, blog, producto, etc.)