PyABSA

Pyabsa: un cadre modularisé pour l'analyse des sentiments basés sur l'aspect reproductible (document)

Salut! Veuillez jouer ce dépôt si cela vous aide! Chaque étoile aide Pyabsa à aller plus loin, merci beaucoup. Pyabsa est un outil gratuit et open-source pour tout le monde, mais n'oubliez pas de joindre les informations (informelles ou formelles) et l'adresse du projet dans vos œuvres, produits et publications, etc.

Essayez nos démos sur l'espace étreint

Outre le papier, il y a deux nouvelles fonctionnalités dans PYABSA: l'extraction du triplet de sentiment d'aspect et l'extraction quadruple aspect. Nous avons déployé les démos sur l'espace étreint, vous pouvez les essayer en ligne.

• Aspect Sentiment Quadruple Extraction (Anglais) Nouvelle fonctionnalité
• Aspect Sentiment Triplet Extraction (anglais) Nouvelle fonctionnalité
• (Gradio) Aspect Extraction et classification des sentiments (anglais, chinois, arabe, néerlandais, français, russe, espagnol, turc, etc.)
• (Prototype) Aspect Extraction des termes et classification des sentiments (anglais, chinois, arabe, néerlandais, français, russe, espagnol, turc, etc.)
• 方面术语提取和情感分类 （中文, etc.）
• Classification des sentiments basés sur l'aspect (multilingue) （anglais, chinois, etc.）

Exemples d'utilisation

Nous avons préparé de nombreux exemples pour différentes tâches. Veuillez vous référer à des exemples pour plus d'exemples d'utilisation.

Installation

Installer via PIP

Pour utiliser PYABSA, installez la dernière version à partir de PIP ou Code source:

pip install -U pyabsa

Installer via la source

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

Démarrer rapidement

Extraire les termes des aspects et classer les sentiments

 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 )

Analyse des sentiments basés sur l'aspect

 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 )

Annotation de l'ensemble de données et formation modèle

Veuillez vous référer à la documentation: documentation PYABSA. Si vous avez des questions sur les documents, n'hésitez pas à résoudre un problème. Vous pouvez également vous joindre à l'amélioration des documents.

Avis

Ce référentiel est basé sur nos articles pour la recherche ABSA. Voici les articles que vous pouvez citer ou vous référer pour vos implémentations:

Modèles de classification de la polarité du sentiment d'aspect

1. Retour à la réalité: tirer parti de la modélisation axée sur les modèles pour permettre un apprentissage abordable sur la dépendance aux sentiments (par exemple, Fast-LSA, 2020)
2. Apprentissage pour le sentiment dépendant de la cible basé sur l'intégration locale du contexte (par exemple, LCA-NET, 2020)
3. LCF: Un mécanisme de mise au point du contexte local pour la classification des sentiments basés sur l'aspect (par exemple, LCF-BERT, 2019)

Aspect Sentiment Polarity Classification et Aspect Term Extraction Modèles

1. Un modèle d'apprentissage multi-tâches pour la classification de la polarité des aspects chinois et l'extraction des termes d'aspect] (par exemple, Fast-LCF-ATEPC, 2020)
2. (ArXiv) Un modèle d'apprentissage multi-tâches pour la classification de la polarité des aspects axés sur le chinois et l'extraction des termes d'aspect

Si vous recherchez la proposition originale de l'orientation du contexte local, voici quelques introductions ici.

Citation

 @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 }
}

Contribution

Ce référentiel est développé et maintenu par Heng Yang (yangheng95 @ github), avec une grande contribution de chercheurs communautaires. Nous nous attendons à ce que vous puissiez nous aider à améliorer ce projet, et vos contributions sont les bienvenues. Vous pouvez apporter une contribution à bien des égards, notamment:

• Partagez votre ensemble de données personnalisé dans Pyabsa et Absadatasetts
• Intègre vos modèles dans PYABSA. (Vous pouvez partager vos modèles, qu'il soit ou non basé sur Pyabsa. Si vous êtes intéressé, nous vous aiderons)
• Soulevez un rapport de bogue pendant que vous utilisez Pyabsa ou passez en revue le code (Pyabsa est un projet individuel motivé par l'enthousiasme, donc votre aide est nécessaire)
• Donnez-nous quelques conseils sur la conception des fonctionnalités / refactor (vous pouvez conseiller d'améliorer certaines fonctionnalités)
• Corrigez / réécrivez certains messages d'erreur ou commentaires de code (les commentaires ne sont pas écrits par le locuteur anglais natif, vous pouvez nous aider à améliorer les documents)
• Créez un exemple de script dans une situation particulière (comme spécifier un modèle spacy, type prétrainé, certains hyper-paramètres)
• Étaler ce référentiel pour le garder actif

Licence

Pyabsa est publié sous licence MIT, veuillez citer ce dépôt (ou papiers) ou joindre les informations de l'auteur dans votre travail (référentiel, blog, produit, etc.)