HarvestText
V0.8
HarvestText: Toolkit untuk Penambangan Teks dan Preprocessing
dokumen
Sinkronisasi pada gitub dan kode cloud gitee. Jika Anda menelusuri/mengunduh di GitHub, Anda dapat pergi ke cloud kode untuk beroperasi.
HarvestText adalah perpustakaan yang berfokus pada metode pengawasan (lemah) yang mengintegrasikan pengetahuan domain (seperti jenis, alias) untuk memproses dan menganalisis teks domain tertentu secara sederhana dan efisien. Ini cocok untuk banyak tugas preprocessing teks dan analisis eksplorasi awal, dan memiliki nilai aplikasi potensial dalam analisis baru, teks online, literatur profesional dan bidang lainnya.
Gunakan kasus:
[Catatan: Perpustakaan ini hanya melengkapi segmentasi kata entitas dan analisis sentimen, dan menggunakan matplotlib untuk visualisasi]
Readme ini berisi contoh -contoh khas dari berbagai fungsi. Penggunaan terperinci dari beberapa fungsi dapat ditemukan dalam dokumentasi:
dokumen
Fungsi spesifiknya adalah sebagai berikut:
Daftar isi:
Instal pertama, gunakan PIP
pip install --upgrade harvesttextAtau masukkan direktori di mana setup.py berada, dan kemudian baris perintah:
python setup.py installKemudian dalam kode:
from harvesttext import HarvestText
ht = HarvestText ()Anda dapat memanggil antarmuka fungsional perpustakaan ini.
Catatan: Beberapa fungsi memerlukan pemasangan pustaka tambahan, tetapi instalasi mungkin gagal, jadi silakan instal secara manual jika perlu.
# 部分英语功能
pip install pattern
# 命名实体识别、句法分析等功能，需要python <= 3.8
pip install pyhanlpMengingat entitas tertentu dan kemungkinan sinonimnya, serta jenis entitas yang sesuai. Catlah ke dalam kamus, bagilah terlebih dahulu saat berpisah, dan gunakan tipe yang sesuai sebagai bagian dari pidato. Semua entitas dan lokasi mereka di corpus juga dapat diperoleh secara terpisah:
para = "上港的武磊和恒大的郜林，谁是中国最好的前锋？那当然是武磊武球王了，他是射手榜第一，原来是弱点的单刀也有了进步"
entity_mention_dict = { '武磊' :[ '武磊' , '武球王' ], '郜林' :[ '郜林' , '郜飞机' ], '前锋' :[ '前锋' ], '上海上港' :[ '上港' ], '广州恒大' :[ '恒大' ], '单刀球' :[ '单刀' ]}
entity_type_dict = { '武磊' : '球员' , '郜林' : '球员' , '前锋' : '位置' , '上海上港' : '球队' , '广州恒大' : '球队' , '单刀球' : '术语' }
ht . add_entities ( entity_mention_dict , entity_type_dict )
print ( " n Sentence segmentation" )
print ( ht . seg ( para , return_sent = True )) # return_sent=False时，则返回词语列表Siapa penyerang terbaik di Cina, termasuk Wu Lei dari Shanghai Sipg dan Gao Lin dari Evergrande? Tentu saja itu Wu Lei, Raja Ball Wu. Dia adalah yang pertama dalam daftar penembak. Ternyata pedang tunggal yang lemah juga membuat kemajuan.
Menggunakan alat segmentasi kata tradisional dapat dengan mudah membagi "Wuqiong King" menjadi "Wuqiong King"
Bagian dari anotasi ucapan, termasuk tipe khusus yang ditentukan.
print ( " n POS tagging with entity types" )
for word , flag in ht . posseg ( para ):
print ( "%s:%s" % ( word , flag ), end = " " )SIPG: Tim: UJ Wu Lei: Pemain dan: C Evergrande: Tim: Uj Gao Lin: Pemain,: X Siapa: R IS: V China: NS Terbaik: A: UJ Forward: Posisi? : x itu: r Tentu saja: D IS: V wu lei: pemain wu qiu raja: pemain: ul ,: x He: r is: v Daftar pencetak gol: n pertama: m ,: x Awalnya: D IS: V Kelemahan: N: UJ Pedang Tunggal: Juga: D memiliki: v Ada: v Kemajuan: D: D
for span , entity in ht . entity_linking ( para ):
print ( span , entity )[0, 2] ('Shanghai SIPG', '# Team#') [3, 5] ('Wu Lei', '# Player#') [6, 8] ('Guangzhou Evergrande', '# Team#') [9, 11] ('Gao Lin', '# Player#') [19, 21] ('Forward', '# Position#') [26, 28] ('Wu Lei', '# Player#') [28, 31] ('Wu Lei', '# Player#') [47, 49] ('Bola Single-On-One', '# Term#')
Di sini, transformasi "raja wuqiu" menjadi istilah standar "wu lei" dapat memfasilitasi pekerjaan statistik terpadu.
Kalimat:
print ( ht . cut_sentences ( para ))['Siapa penyerang terbaik di Cina dari Shanghai Sipg dan Gao Lin dari Evergrande? ',' Tentu saja itu adalah raja sepak bola Wu Lei. Dia adalah yang pertama dalam daftar penembak. Ternyata pedang tunggal yang lemah juga membuat kemajuan ']
Jika tidak ada kamus yang tersedia untuk saat ini, Anda mungkin juga melihat apakah kamus domain dalam sumber daya bawaan perpustakaan ini cocok untuk kebutuhan Anda.
Jika ada beberapa entitas yang mungkin untuk nama yang sama ("Li na Playing Ball dan Li na bernyanyi bukanlah orang yang sama"), Anda dapat mengatur keep_all=True untuk mempertahankan banyak kandidat. Anda dapat menggunakan strategi lain untuk disambiguate nanti, lihat el_keep_all ()
Jika ada terlalu banyak entitas yang terhubung, beberapa di antaranya jelas tidak masuk akal, beberapa strategi dapat digunakan untuk menyaring. Berikut adalah contoh filter_el_with_rule ()
Perpustakaan ini juga dapat menggunakan beberapa strategi dasar untuk menangani tugas -tugas disambiguasi entitas yang kompleks (seperti banyak makna kata ["guru" mengacu pada "guru A" atau "guru B"?], Dan kata -kata kandidat tumpang tindih [Walikota XX/Jiang YY?, Walikota XX/Jiang YY?]). Untuk detailnya, Anda dapat melihat linking_strategy ()
Anda dapat memproses karakter khusus dalam teks, atau menghapus beberapa format khusus yang tidak ingin Anda tampilkan dalam teks.
Termasuk: @, emoji di Weibo; Url; e-mail; Karakter Khusus dalam Kode HTML; Karakter Khusus dalam %20 di URL; Cina tradisional untuk orang Cina yang disederhanakan
Contohnya adalah sebagai berikut:
print ( "各种清洗文本" )
ht0 = HarvestText ()
# 默认的设置可用于清洗微博文本
text1 = "回复@钱旭明QXM:[嘻嘻][嘻嘻] //@钱旭明QXM:杨大哥[good][good]"
print ( "清洗微博【@和表情符等】" )
print ( "原：" , text1 )
print ( "清洗后：" , ht0 . clean_text ( text1 ))各种清洗文本
清洗微博【@和表情符等】
原： 回复@钱旭明QXM:[嘻嘻][嘻嘻] //@钱旭明QXM:杨大哥[good][good]
清洗后： 杨大哥
# URL的清理
text1 = "【#赵薇#：正筹备下一部电影 但不是青春片....http://t.cn/8FLopdQ"
print ( "清洗网址URL" )
print ( "原：" , text1 )
print ( "清洗后：" , ht0 . clean_text ( text1 , remove_url = True ))清洗网址URL
原： 【#赵薇#：正筹备下一部电影 但不是青春片....http://t.cn/8FLopdQ
清洗后： 【#赵薇#：正筹备下一部电影 但不是青春片....
# 清洗邮箱
text1 = "我的邮箱是[email protected]，欢迎联系"
print ( "清洗邮箱" )
print ( "原：" , text1 )
print ( "清洗后：" , ht0 . clean_text ( text1 , email = True ))清洗邮箱
原： 我的邮箱是[email protected]，欢迎联系
清洗后： 我的邮箱是，欢迎联系
# 处理URL转义字符
text1 = "www.%E4%B8%AD%E6%96%87%20and%20space.com"
print ( "URL转正常字符" )
print ( "原：" , text1 )
print ( "清洗后：" , ht0 . clean_text ( text1 , norm_url = True , remove_url = False )) URL转正常字符
原： www.%E4%B8%AD%E6%96%87%20and%20space.com
清洗后： www.中文 and space.com
text1 = "www.中文 and space.com"
print ( "正常字符转URL[含有中文和空格的request需要注意]" )
print ( "原：" , text1 )
print ( "清洗后：" , ht0 . clean_text ( text1 , to_url = True , remove_url = False ))正常字符转URL[含有中文和空格的request需要注意]
原： www.中文 and space.com
清洗后： www.%E4%B8%AD%E6%96%87%20and%20space.com
# 处理HTML转义字符
text1 = "<a c> ''"
print ( "HTML转正常字符" )
print ( "原：" , text1 )
print ( "清洗后：" , ht0 . clean_text ( text1 , norm_html = True )) HTML转正常字符
原： <a c> ''
清洗后： <a c> ''
# 繁体字转简体
text1 = "心碎誰買單"
print ( "繁体字转简体" )
print ( "原：" , text1 )
print ( "清洗后：" , ht0 . clean_text ( text1 , t2s = True ))繁体字转简体
原： 心碎誰買單
清洗后： 心碎谁买单
# markdown超链接提取文本
text1 = "欢迎使用[HarvestText : A Toolkit for Text Mining and Preprocessing](https://github.com/blmoistawinde/HarvestText)这个库"
print ( "markdown超链接提取文本" )
print ( "原：" , text1 )
print ( "清洗后：" , ht0 . clean_text ( text1 , t2s = True )) markdown超链接提取文本
原： 欢迎使用[HarvestText : A Toolkit for Text Mining and Preprocessing](https://github.com/blmoistawinde/HarvestText)这个库
清洗后： 欢迎使用HarvestText : A Toolkit for Text Mining and Preprocessing这个库
Temukan nama orang, tempat, organisasi, dll. Dalam sebuah kalimat. Implementasi antarmuka Pyhanlp digunakan.
ht0 = HarvestText ()
sent = "上海上港足球队的武磊是中国最好的前锋。"
print ( ht0 . named_entity_recognition ( sent )) {'上海上港足球队': '机构名', '武磊': '人名', '中国': '地名'}
Menganalisis modifikasi objek subjek-predikat dan hubungan tata bahasa lainnya dari setiap kata dalam sebuah pernyataan (termasuk entitas yang terkait dengan) dan mengekstrak kemungkinan tiga kali lipat. Implementasi antarmuka Pyhanlp digunakan.
ht0 = HarvestText ()
para = "上港的武磊武球王是中国最好的前锋。"
entity_mention_dict = { '武磊' : [ '武磊' , '武球王' ], "上海上港" :[ "上港" ]}
entity_type_dict = { '武磊' : '球员' , "上海上港" : "球队" }
ht0 . add_entities ( entity_mention_dict , entity_type_dict )
for arc in ht0 . dependency_parse ( para ):
print ( arc )
print ( ht0 . triple_extraction ( para )) [0, '上港', '球队', '定中关系', 3]
[1, '的', 'u', '右附加关系', 0]
[2, '武磊', '球员', '定中关系', 3]
[3, '武球王', '球员', '主谓关系', 4]
[4, '是', 'v', '核心关系', -1]
[5, '中国', 'ns', '定中关系', 8]
[6, '最好', 'd', '定中关系', 8]
[7, '的', 'u', '右附加关系', 6]
[8, '前锋', 'n', '动宾关系', 4]
[9, '。', 'w', '标点符号', 4]
print ( ht0 . triple_extraction ( para )) [['上港武磊武球王', '是', '中国最好前锋']]
Dimodifikasi dalam versi v0.7, gunakan toleransi untuk mendukung pemeriksaan pinyin yang sama
Tautan kata -kata dalam pernyataan yang mungkin merupakan entitas yang diketahui (dengan satu karakter atau kesalahan pinyin) ke entitas yang sesuai.
def entity_error_check ():
ht0 = HarvestText ()
typed_words = { "人名" :[ "武磊" ]}
ht0 . add_typed_words ( typed_words )
sent0 = "武磊和吴磊拼音相同"
print ( sent0 )
print ( ht0 . entity_linking ( sent0 , pinyin_tolerance = 0 ))
"""
武磊和吴磊拼音相同
[([0, 2], ('武磊', '#人名#')), [(3, 5), ('武磊', '#人名#')]]
"""
sent1 = "武磊和吴力只差一个拼音"
print ( sent1 )
print ( ht0 . entity_linking ( sent1 , pinyin_tolerance = 1 ))
"""
武磊和吴力只差一个拼音
[([0, 2], ('武磊', '#人名#')), [(3, 5), ('武磊', '#人名#')]]
"""
sent2 = "武磊和吴磊只差一个字"
print ( sent2 )
print ( ht0 . entity_linking ( sent2 , char_tolerance = 1 ))
"""
武磊和吴磊只差一个字
[([0, 2], ('武磊', '#人名#')), [(3, 5), ('武磊', '#人名#')]]
"""
sent3 = "吴磊和吴力都可能是武磊的代称"
print ( sent3 )
print ( ht0 . get_linking_mention_candidates ( sent3 , pinyin_tolerance = 1 , char_tolerance = 1 ))
"""
吴磊和吴力都可能是武磊的代称
('吴磊和吴力都可能是武磊的代称', defaultdict(<class 'list'>, {(0, 2): {'武磊'}, (3, 5): {'武磊'}}))
"""Perpustakaan ini menggunakan metode kamus emosi untuk melakukan analisis emosi, dan secara otomatis mempelajari kecenderungan emosional dari kata lain dari korpus dengan memberikan sejumlah kecil kata -kata positif dan negatif standar ("kata benih") untuk membentuk kamus emosional. Penjumlahan dan rata -rata kata -kata emosional dalam bait digunakan untuk menilai kecenderungan emosional kalimat:
print ( " n sentiment dictionary" )
sents = [ "武磊威武，中超第一射手！" ,
"武磊强，中超最第一本土球员！" ,
"郜林不行，只会抱怨的球员注定上限了" ,
"郜林看来不行，已经到上限了" ]
sent_dict = ht . build_sent_dict ( sents , min_times = 1 , pos_seeds = [ "第一" ], neg_seeds = [ "不行" ])
print ( "%s:%f" % ( "威武" , sent_dict [ "威武" ]))
print ( "%s:%f" % ( "球员" , sent_dict [ "球员" ]))
print ( "%s:%f" % ( "上限" , sent_dict [ "上限" ]))Kamus Sentimen: 1.000000 Pemain: 0.000000 CAP: -1.0000000
print ( " n sentence sentiment" )
sent = "武球王威武，中超最强球员！"
print ( "%f:%s" % ( ht . analyse_sent ( sent ), sent ))0.600000: Raja Seni Bela Diri sangat perkasa dan pemain terkuat di Liga Super Cina!
Jika Anda belum tahu kata-kata mana yang harus dipilih sebagai "kata benih", perpustakaan ini juga memiliki sumber daya bawaan untuk kamus emosional umum, yang merupakan pilihan default ketika tidak menentukan kata-kata emosional, dan Anda juga dapat memilihnya sesuai kebutuhan.
Algoritma SO-PMI yang digunakan secara default tidak memiliki batasan batas atas dan bawah pada nilai-nilai emosional. Jika perlu dibatasi pada interval seperti [0,1] atau [-1,1], Anda dapat menyesuaikan parameter skala. Contohnya adalah sebagai berikut:
print ( " n sentiment dictionary using default seed words" )
docs = [ "张市筹设兴华实业公司外区资本家踊跃投资晋察冀边区兴华实业公司，自筹备成立以来，解放区内外企业界人士及一般商民，均踊跃认股投资" ,
"打倒万恶的资本家" ,
"该公司原定资本总额为二十五万万元，现已由各界分认达二十万万元，所属各厂、各公司亦募得股金一万万余元" ,
"连日来解放区以外各工商人士，投函向该公司询问经营性质与范围以及股东权限等问题者甚多，络绎抵此的许多资本家，于参观该公司所属各厂经营状况后，对民主政府扶助与奖励私营企业发展的政策，均极表赞同，有些资本家因款项未能即刻汇来，多向筹备处预认投资的额数。由平津来张的林明棋先生，一次即以现款入股六十余万元"
]
# scale: 将所有词语的情感值范围调整到[-1,1]
# 省略pos_seeds, neg_seeds,将采用默认的情感词典 get_qh_sent_dict()
print ( "scale= " 0-1 " , 按照最大为1，最小为0进行线性伸缩，0.5未必是中性" )
sent_dict = ht . build_sent_dict ( docs , min_times = 1 , scale = "0-1" )
print ( "%s:%f" % ( "赞同" , sent_dict [ "赞同" ]))
print ( "%s:%f" % ( "二十万" , sent_dict [ "二十万" ]))
print ( "%s:%f" % ( "万恶" , sent_dict [ "万恶" ]))
print ( "%f:%s" % ( ht . analyse_sent ( docs [ 0 ]), docs [ 0 ]))
print ( "%f:%s" % ( ht . analyse_sent ( docs [ 1 ]), docs [ 1 ])) sentiment dictionary using default seed words
scale="0-1", 按照最大为1，最小为0进行线性伸缩，0.5未必是中性
赞同:1.000000
二十万:0.153846
万恶:0.000000
0.449412:张市筹设兴华实业公司外区资本家踊跃投资晋察冀边区兴华实业公司，自筹备成立以来，解放区内外企业界人士及一般商民，均踊跃认股投资
0.364910:打倒万恶的资本家
print("scale="+-1", 在正负区间内分别伸缩，保留0作为中性的语义")
sent_dict = ht.build_sent_dict(docs,min_times=1,scale="+-1")
print("%s:%f" % ("赞同",sent_dict["赞同"]))
print("%s:%f" % ("二十万",sent_dict["二十万"]))
print("%s:%f" % ("万恶",sent_dict["万恶"]))
print("%f:%s" % (ht.analyse_sent(docs[0]), docs[0]))
print("%f:%s" % (ht.analyse_sent(docs[1]), docs[1]))
scale="+-1", 在正负区间内分别伸缩，保留0作为中性的语义
赞同:1.000000
二十万:0.000000
万恶:-1.000000
0.349305:张市筹设兴华实业公司外区资本家踊跃投资晋察冀边区兴华实业公司，自筹备成立以来，解放区内外企业界人士及一般商民，均踊跃认股投资
-0.159652:打倒万恶的资本家
Anda dapat menemukan dokumen yang berisi entitas yang sesuai (dan aliasnya) dari daftar dokumen, dan menghitung jumlah dokumen yang berisi entitas. Gunakan struktur data dengan indeks terbalik untuk menyelesaikan pengambilan cepat.
Kode berikut adalah kutipan dari proses penambahan entitas. Harap gunakan fungsi seperti add_entities untuk menambahkan entitas yang ingin Anda perhatikan, dan kemudian mengindeks dan mencari.
docs = [ "武磊威武，中超第一射手！" ,
"郜林看来不行，已经到上限了。" ,
"武球王威武，中超最强前锋！" ,
"武磊和郜林，谁是中国最好的前锋？" ]
inv_index = ht . build_index ( docs )
print ( ht . get_entity_counts ( docs , inv_index )) # 获得文档中所有实体的出现次数
# {'武磊': 3, '郜林': 2, '前锋': 2}
print ( ht . search_entity ( "武磊" , docs , inv_index )) # 单实体查找
# ['武磊威武，中超第一射手！', '武球王威武，中超最强前锋！', '武磊和郜林，谁是中国最好的前锋？']
print ( ht . search_entity ( "武磊 郜林" , docs , inv_index )) # 多实体共现
# ['武磊和郜林，谁是中国最好的前锋？']
# 谁是最被人们热议的前锋？用这里的接口可以很简便地回答这个问题
subdocs = ht . search_entity ( "#球员# 前锋" , docs , inv_index )
print ( subdocs ) # 实体、实体类型混合查找
# ['武球王威武，中超最强前锋！', '武磊和郜林，谁是中国最好的前锋？']
inv_index2 = ht . build_index ( subdocs )
print ( ht . get_entity_counts ( subdocs , inv_index2 , used_type = [ "球员" ])) # 可以限定类型
# {'武磊': 2, '郜林': 1}(Diimplementasikan menggunakan NetworkX) Gunakan hubungan co-kejadian kata untuk membangun hubungan jaringan antara struktur grafik antara badan (kembali ke networkx.graph tipe). Ini dapat digunakan untuk membangun jejaring sosial antar karakter, dll.
# 在现有实体库的基础上随时新增，比如从新词发现中得到的漏网之鱼
ht . add_new_entity ( "颜骏凌" , "颜骏凌" , "球员" )
docs = [ "武磊和颜骏凌是队友" ,
"武磊和郜林都是国内顶尖前锋" ]
G = ht . build_entity_graph ( docs )
print ( dict ( G . edges . items ()))
G = ht . build_entity_graph ( docs , used_types = [ "球员" ])
print ( dict ( G . edges . items ()))Dapatkan jaringan kata yang berpusat pada sebuah kata. Ambil bab pertama dari tiga kerajaan sebagai contoh untuk menjelajahi pertemuan protagonis Liu Bei (berikut ini adalah kode utama, lihat build_word_ego_graph () misalnya).
entity_mention_dict , entity_type_dict = get_sanguo_entity_dict ()
ht0 . add_entities ( entity_mention_dict , entity_type_dict )
sanguo1 = get_sanguo ()[ 0 ]
stopwords = get_baidu_stopwords ()
docs = ht0 . cut_sentences ( sanguo1 )
G = ht0 . build_word_ego_graph ( docs , "刘备" , min_freq = 3 , other_min_freq = 2 , stopwords = stopwords )
Ini adalah persahabatan antara Liu, Guan dan Zhang, pendukung yang dibela oleh Liu Bei, dan pengalaman Liu Bei dalam berperang melawan para pencuri.
(Diimplementasikan menggunakan NetworkX) Gunakan algoritma TextTrank untuk mendapatkan kalimat perwakilan yang diekstraksi dari pengumpulan dokumen sebagai informasi ringkasan. Anda dapat mengatur kalimat yang menghukum duplikat, atau Anda dapat menetapkan batas kata (parameter maxlen):
print ( " n Text summarization" )
docs = [ "武磊威武，中超第一射手！" ,
"郜林看来不行，已经到上限了。" ,
"武球王威武，中超最强前锋！" ,
"武磊和郜林，谁是中国最好的前锋？" ]
for doc in ht . get_summary ( docs , topK = 2 ):
print ( doc )
print ( " n Text summarization(避免重复)" )
for doc in ht . get_summary ( docs , topK = 3 , avoid_repeat = True ):
print ( doc ) Text summarization
武球王威武，中超最强前锋！
武磊威武，中超第一射手！
Text summarization(避免重复)
武球王威武，中超最强前锋！
郜林看来不行，已经到上限了。
武磊和郜林，谁是中国最好的前锋？
Saat ini, ada dua algoritma yang mencakup textrank dan HarvestText untuk merangkum Jieba dan mengkonfigurasi parameter dan berhenti jieba_tfidf .
Contoh (lihat contoh untuk lengkap):
# text为林俊杰《关键词》歌词
print ( "《关键词》里的关键词" )
kwds = ht . extract_keywords ( text , 5 , method = "jieba_tfidf" )
print ( "jieba_tfidf" , kwds )
kwds = ht . extract_keywords ( text , 5 , method = "textrank" )
print ( "textrank" , kwds ) 《关键词》里的关键词
jieba_tfidf ['自私', '慷慨', '落叶', '消逝', '故事']
textrank ['自私', '落叶', '慷慨', '故事', '位置']
CSL.IPYNB menyediakan algoritma yang berbeda, serta perbandingan implementasi perpustakaan ini dengan Textrank4Zh pada dataset CSL. Karena hanya ada satu dataset dan dataset tidak ramah dengan algoritma di atas, kinerjanya hanya untuk referensi.
| algoritma | P@5 | R@5 | F@5 |
|---|---|---|---|
| Textrank4zh | 0,0836 | 0.1174 | 0,0977 |
| ht_texttransk | 0,0955 | 0.1342 | 0.1116 |
| ht_jieba_tfidf | 0.1035 | 0.1453 | 0.1209 |
Sekarang beberapa sumber daya terintegrasi dalam perpustakaan ini untuk memfasilitasi penggunaan dan menetapkan demo.
Sumber daya meliputi:
get_qh_sent_dict : Kamus gratis dan negatif Li Jun dari Tsinghua University menyusunnya dari http://nlp.csai.tsinghua.edu.cn/site2/index.php/13-smsget_baidu_stopwords : baidu stop word kamus berasal dari internet: https://wenku.baidu.com/view/98c46383e53a580216fcfed9.htmlget_qh_typed_words : Kamus domain dari tsinghua thunlp: http://thuocl.thunlp.org/ semua tipe ['IT', '动物', '医药', '历史人名', '地名', '成语', '法律', '财经', '食物']get_english_senti_lexicon : Kamus Emosional Bahasa Inggrisget_jieba_dict : (Perlu unduh) Jieba Word Frekuensi KamusSelain itu, sumber daya khusus disediakan - "Romance of the Three Kingdoms", termasuk:
Anda dapat menjelajahi penemuan menarik apa yang dapat diperoleh darinya?
def load_resources ():
from harvesttext . resources import get_qh_sent_dict , get_baidu_stopwords , get_sanguo , get_sanguo_entity_dict
sdict = get_qh_sent_dict () # {"pos":[积极词...],"neg":[消极词...]}
print ( "pos_words:" , list ( sdict [ "pos" ])[ 10 : 15 ])
print ( "neg_words:" , list ( sdict [ "neg" ])[ 5 : 10 ])
stopwords = get_baidu_stopwords ()
print ( "stopwords:" , list ( stopwords )[ 5 : 10 ])
docs = get_sanguo () # 文本列表，每个元素为一章的文本
print ( "三国演义最后一章末16字: n " , docs [ - 1 ][ - 16 :])
entity_mention_dict , entity_type_dict = get_sanguo_entity_dict ()
print ( "刘备 指称：" , entity_mention_dict [ "刘备" ])
print ( "刘备 类别：" , entity_type_dict [ "刘备" ])
print ( "蜀 类别：" , entity_type_dict [ "蜀" ])
print ( "益州 类别：" , entity_type_dict [ "益州" ])
load_resources () pos_words: ['宰相肚里好撑船', '查实', '忠实', '名手', '聪明']
neg_words: ['散漫', '谗言', '迂执', '肠肥脑满', '出卖']
stopwords: ['apart', '左右', '结果', 'probably', 'think']
三国演义最后一章末16字:
鼎足三分已成梦，后人凭吊空牢骚。
刘备 指称： ['刘备', '刘玄德', '玄德']
刘备 类别： 人名
蜀 类别： 势力
益州 类别： 州名
Muat kamus bidang Tsinghua dan gunakan kata -kata berhenti.
def using_typed_words ():
from harvesttext . resources import get_qh_typed_words , get_baidu_stopwords
ht0 = HarvestText ()
typed_words , stopwords = get_qh_typed_words (), get_baidu_stopwords ()
ht0 . add_typed_words ( typed_words )
sentence = "THUOCL是自然语言处理的一套中文词库，词表来自主流网站的社会标签、搜索热词、输入法词库等。"
print ( sentence )
print ( ht0 . posseg ( sentence , stopwords = stopwords ))
using_typed_words () THUOCL是自然语言处理的一套中文词库，词表来自主流网站的社会标签、搜索热词、输入法词库等。
[('THUOCL', 'eng'), ('自然语言处理', 'IT'), ('一套', 'm'), ('中文', 'nz'), ('词库', 'n'), ('词表', 'n'), ('来自', 'v'), ('主流', 'b'), ('网站', 'n'), ('社会', 'n'), ('标签', '财经'), ('搜索', 'v'), ('热词', 'n'), ('输入法', 'IT'), ('词库', 'n')]
Beberapa kata diberikan tipe khusus, sementara kata -kata seperti "ya" disaring.
Gunakan beberapa indikator statistik untuk menemukan kata -kata baru dari sejumlah besar teks. Kata -kata (opsional) yang menentukan tingkat kualitas dapat ditemukan dengan memberikan beberapa kata benih. (Yaitu, setidaknya semua kata benih akan ditemukan, dengan premis bahwa persyaratan dasar tertentu dipenuhi.)
para = "上港的武磊和恒大的郜林，谁是中国最好的前锋？那当然是武磊武球王了，他是射手榜第一，原来是弱点的单刀也有了进步"
#返回关于新词质量的一系列信息，允许手工改进筛选(pd.DataFrame型)
new_words_info = ht . word_discover ( para )
#new_words_info = ht.word_discover(para, threshold_seeds=["武磊"])
new_words = new_words_info . index . tolist ()
print ( new_words )["Wu Lei"]
Algoritma menggunakan parameter empiris default. Jika Anda tidak puas dengan jumlah hasil, Anda dapat mengatur auto_param=False untuk menyesuaikan parameter sendiri dan menyesuaikan jumlah hasil akhir. Parameter yang relevan adalah sebagai berikut:
:param max_word_len: 允许被发现的最长的新词长度
:param min_freq: 被发现的新词，在给定文本中需要达到的最低频率
:param min_entropy: 被发现的新词，在给定文本中需要达到的最低左右交叉熵
:param min_aggregation: 被发现的新词，在给定文本中需要达到的最低凝聚度
Misalnya, jika Anda ingin mendapatkan lebih banyak hasil daripada default (misalnya, beberapa kata baru tidak ditemukan), Anda dapat menurunkannya berdasarkan parameter default, dan parameter default berikut:
min_entropy = np.log(length) / 10
min_freq = min(0.00005, 20.0 / length)
min_aggregation = np.sqrt(length) / 15
Detail Algoritma dan Makna Parameter Spesifik, lihat: http://www.matrix67.com/blog/archives/5044
Menurut pembaruan umpan balik, awalnya menerima string terpisah secara default. Sekarang juga dapat menerima input daftar string, dan akan secara otomatis disambung
Menurut pembaruan umpan balik, urutan default frekuensi kata sekarang dapat diurutkan secara default. Anda juga dapat melewati parameter sort_by='score' untuk mengurutkan berdasarkan skor kualitas komprehensif.
Banyak kata baru yang ditemukan mungkin merupakan kata kunci khusus dalam teks, sehingga kata -kata baru yang ditemukan dapat dicatat sehingga partisipan berikutnya akan memberikan prioritas pada kata -kata ini.
def new_word_register ():
new_words = [ "落叶球" , "666" ]
ht . add_new_words ( new_words ) # 作为广义上的"新词"登录
ht . add_new_entity ( "落叶球" , mention0 = "落叶球" , type0 = "术语" ) # 作为特定类型登录
print ( ht . seg ( "这个落叶球踢得真是666" , return_sent = True ))
for word , flag in ht . posseg ( "这个落叶球踢得真是666" ):
print ( "%s:%s" % ( word , flag ), end = " " )Bola daun yang jatuh ini benar -benar 666
Ini: R LEAF BALL: Istilah Kick: V Dapatkan: UD benar -benar: D 666: Kata baru
Anda juga dapat menggunakan beberapa aturan khusus untuk menemukan kata kunci yang diperlukan dan langsung menetapkannya ke jenisnya, seperti semua dalam bahasa Inggris, atau memiliki pres dan sufiks tertentu, dll.
# find_with_rules()
from harvesttext . match_patterns import UpperFirst , AllEnglish , Contains , StartsWith , EndsWith
text0 = "我喜欢Python，因为requests库很适合爬虫"
ht0 = HarvestText ()
found_entities = ht0 . find_entity_with_rule ( text0 , rulesets = [ AllEnglish ()], type0 = "英文名" )
print ( found_entities )
print ( ht0 . posseg ( text0 )) {'Python', 'requests'}
[('我', 'r'), ('喜欢', 'v'), ('Python', '英文名'), ('，', 'x'), ('因为', 'c'), ('requests', '英文名'), ('库', 'n'), ('很', 'd'), ('适合', 'v'), ('爬虫', 'n')]
Gunakan algoritma TextTiling untuk secara otomatis segmen teks tanpa segmen, atau mengatur lebih lanjut/resegmen berdasarkan paragraf yang ada.
ht0 = HarvestText ()
text = """备受社会关注的湖南常德滴滴司机遇害案，将于1月3日9时许，在汉寿县人民法院开庭审理。此前，犯罪嫌疑人、19岁大学生杨某淇被鉴定为作案时患有抑郁症，为“有限定刑事责任能力”。
新京报此前报道，2019年3月24日凌晨，滴滴司机陈师傅，搭载19岁大学生杨某淇到常南汽车总站附近。坐在后排的杨某淇趁陈某不备，朝陈某连捅数刀致其死亡。事发监控显示，杨某淇杀人后下车离开。随后，杨某淇到公安机关自首，并供述称“因悲观厌世，精神崩溃，无故将司机杀害”。据杨某淇就读学校的工作人员称，他家有四口人，姐姐是聋哑人。
今日上午，田女士告诉新京报记者，明日开庭时间不变，此前已提出刑事附带民事赔偿，但通过与法院的沟通后获知，对方父母已经没有赔偿的意愿。当时按照人身死亡赔偿金计算共计80多万元，那时也想考虑对方家庭的经济状况。
田女士说，她相信法律，对最后的结果也做好心理准备。对方一家从未道歉，此前庭前会议中，对方提出了嫌疑人杨某淇作案时患有抑郁症的辩护意见。另具警方出具的鉴定书显示，嫌疑人作案时有限定刑事责任能力。
新京报记者从陈师傅的家属处获知，陈师傅有两个儿子，大儿子今年18岁，小儿子还不到5岁。“这对我来说是一起悲剧，对我们生活的影响，肯定是很大的”，田女士告诉新京报记者，丈夫遇害后，他们一家的主劳动力没有了，她自己带着两个孩子和两个老人一起过，“生活很艰辛”，她说，“还好有妹妹的陪伴，现在已经好些了。”"""
print ( "原始文本[5段]" )
print ( text + " n " )
print ( "预测文本[手动设置分3段]" )
predicted_paras = ht0 . cut_paragraphs ( text , num_paras = 3 )
print ( " n " . join ( predicted_paras ) + " n " )原始文本[5段]
备受社会关注的湖南常德滴滴司机遇害案，将于1月3日9时许，在汉寿县人民法院开庭审理。此前，犯罪嫌疑人、19岁大学生杨某淇被鉴定为作案时患有抑郁症，为“有限定刑事责任能力”。
新京报此前报道，2019年3月24日凌晨，滴滴司机陈师傅，搭载19岁大学生杨某淇到常南汽车总站附近。坐在后排的杨某淇趁陈某不备，朝陈某连捅数刀致其死亡。事发监控显示，杨某淇杀人后下车离开。随后，杨某淇到公安机关自首，并供述称“因悲观厌世，精神崩溃，无故将司机杀害”。据杨某淇就读学校的工作人员称，他家有四口人，姐姐是聋哑人。
今日上午，田女士告诉新京报记者，明日开庭时间不变，此前已提出刑事附带民事赔偿，但通过与法院的沟通后获知，对方父母已经没有赔偿的意愿。当时按照人身死亡赔偿金计算共计80多万元，那时也想考虑对方家庭的经济状况。
田女士说，她相信法律，对最后的结果也做好心理准备。对方一家从未道歉，此前庭前会议中，对方提出了嫌疑人杨某淇作案时患有抑郁症的辩护意见。另具警方出具的鉴定书显示，嫌疑人作案时有限定刑事责任能力。
新京报记者从陈师傅的家属处获知，陈师傅有两个儿子，大儿子今年18岁，小儿子还不到5岁。“这对我来说是一起悲剧，对我们生活的影响，肯定是很大的”，田女士告诉新京报记者，丈夫遇害后，他们一家的主劳动力没有了，她自己带着两个孩子和两个老人一起过，“生活很艰辛”，她说，“还好有妹妹的陪伴，现在已经好些了。”
预测文本[手动设置分3段]
备受社会关注的湖南常德滴滴司机遇害案，将于1月3日9时许，在汉寿县人民法院开庭审理。此前，犯罪嫌疑人、19岁大学生杨某淇被鉴定为作案时患有抑郁症，为“有限定刑事责任能力”。
新京报此前报道，2019年3月24日凌晨，滴滴司机陈师傅，搭载19岁大学生杨某淇到常南汽车总站附近。坐在后排的杨某淇趁陈某不备，朝陈某连捅数刀致其死亡。事发监控显示，杨某淇杀人后下车离开。随后，杨某淇到公安机关自首，并供述称“因悲观厌世，精神崩溃，无故将司机杀害”。据杨某淇就读学校的工作人员称，他家有四口人，姐姐是聋哑人。
今日上午，田女士告诉新京报记者，明日开庭时间不变，此前已提出刑事附带民事赔偿，但通过与法院的沟通后获知，对方父母已经没有赔偿的意愿。当时按照人身死亡赔偿金计算共计80多万元，那时也想考虑对方家庭的经济状况。田女士说，她相信法律，对最后的结果也做好心理准备。对方一家从未道歉，此前庭前会议中，对方提出了嫌疑人杨某淇作案时患有抑郁症的辩护意见。另具警方出具的鉴定书显示，嫌疑人作案时有限定刑事责任能力。新京报记者从陈师傅的家属处获知，陈师傅有两个儿子，大儿子今年18岁，小儿子还不到5岁。“这对我来说是一起悲剧，对我们生活的影响，肯定是很大的”，田女士告诉新京报记者，丈夫遇害后，他们一家的主劳动力没有了，她自己带着两个孩子和两个老人一起过，“生活很艰辛”，她说，“还好有妹妹的陪伴，现在已经好些了。”
Tidak seperti di koran asli, hasil kalimat digunakan sebagai unit dasar, dan penggunaan karakter bukan angka tetap, yang lebih jelas secara semantik dan menyimpan masalah pengaturan parameter. Oleh karena itu, algoritma di bawah pengaturan default tidak mendukung teks tanpa tanda baca. Namun, Anda dapat menggunakan pengaturan kertas asli dengan mengatur seq_chars ke bilangan bulat positif untuk segmen teks tanpa tanda baca. Jika tidak ada pembungkus paragraf, harap atur align_boundary=False . Misalnya, lihat cut_paragraph() dalam examples/basic.py :
print ( "去除标点以后的分段" )
text2 = extract_only_chinese ( text )
predicted_paras2 = ht0 . cut_paragraphs ( text2 , num_paras = 5 , seq_chars = 10 , align_boundary = False )
print ( " n " . join ( predicted_paras2 ) + " n " )去除标点以后的分段
备受社会关注的湖南常德滴滴司机遇害案将于月日时许在汉寿县人民法院开庭审理此前犯罪嫌疑人岁大学生杨某淇被鉴定为作案时患有抑郁症为有
限定刑事责任能力新京报此前报道年
月日凌晨滴滴司机陈师
傅搭载岁大学生杨某淇到常南汽车总站附近坐在后排的杨某淇趁陈某不备朝陈某连捅数刀致其死亡事发监控显示杨某淇杀人后下车离开随后杨某淇
到公安机关自首并供述称因悲观厌世精神崩溃无故将司机杀害据杨某淇就读学校的工作人员称他家有四口人姐姐是聋哑人今日上午田女士告诉新京
报记者明日开庭时间不变此前已提出刑事附带民事赔偿但通过与法院的沟通后获知对方父母已经没有赔偿的意愿当时按照人身死亡赔偿金计算共计
多万元那时也想考虑对方家庭的经济状况田女士说她相信法律对最后的结果也做好心理准备对方一家从未道歉此前庭前会议中对方提
出了嫌疑人杨某淇作案时患有抑郁症的辩护意见另具警方出具的鉴定书显示嫌疑人作案时有限定刑事责任能力新京
报记者从陈师傅的家属处获知陈师傅有两个儿子大儿子今年岁小儿子还不到岁这对我来说是一起悲剧对我们生活的影响肯定是很大的田女士告诉新
京报记者丈夫遇害后他们一家的主劳动力没有了她自己带着两个孩子和两个老人一起过生活很艰辛她说还好有妹妹的陪伴现在已经好些了
Model dapat disimpan secara lokal dan membaca multiplexing, atau catatan model saat ini dapat dihilangkan.
from harvesttext import loadHT , saveHT
para = "上港的武磊和恒大的郜林，谁是中国最好的前锋？那当然是武磊武球王了，他是射手榜第一，原来是弱点的单刀也有了进步"
saveHT ( ht , "ht_model1" )
ht2 = loadHT ( "ht_model1" )
# 消除记录
ht2 . clear ()
print ( "cut with cleared model" )
print ( ht2 . seg ( para ))Implementasi dan contoh spesifik ada di naivekgqa.py, dan beberapa skema diberikan di bawah ini:
QA = NaiveKGQA ( SVOs , entity_type_dict = entity_type_dict )
questions = [ "你好" , "孙中山干了什么事？" , "谁发动了什么？" , "清政府签订了哪些条约？" ,
"英国与鸦片战争的关系是什么？" , "谁复辟了帝制？" ]
for question0 in questions :
print ( "问：" + question0 )
print ( "答：" + QA . answer ( question0 ))问：孙中山干了什么事？
答：就任临时大总统、发动护法运动、让位于袁世凯
问：谁发动了什么？
答：英法联军侵略中国、国民党人二次革命、英国鸦片战争、日本侵略朝鲜、孙中山护法运动、法国侵略越南、英国侵略中国西藏战争、慈禧太后戊戌政变
问：清政府签订了哪些条约？
答：北京条约、天津条约
问：英国与鸦片战争的关系是什么？
答：发动
问：谁复辟了帝制？
答：袁世凯
Perpustakaan ini terutama dirancang untuk mendukung penambangan data dalam bahasa Cina, tetapi telah menambahkan sejumlah kecil dukungan bahasa Inggris, termasuk analisis sentimen.
Untuk menggunakan fungsi -fungsi ini, Anda perlu membuat objek HarvestText dengan pola bahasa Inggris khusus.
# ♪ "Until the Day" by JJ Lin
test_text = """
In the middle of the night.
Lonely souls travel in time.
Familiar hearts start to entwine.
We imagine what we'll find, in another life.
""" . lower ()
ht_eng = HarvestText ( language = "en" )
sentences = ht_eng . cut_sentences ( test_text ) # 分句
print ( " n " . join ( sentences ))
print ( ht_eng . seg ( sentences [ - 1 ])) # 分词[及词性标注]
print ( ht_eng . posseg ( sentences [ 0 ], stopwords = { "in" }))
# 情感分析
sent_dict = ht_eng . build_sent_dict ( sentences , pos_seeds = [ "familiar" ], neg_seeds = [ "lonely" ],
min_times = 1 , stopwords = { 'in' , 'to' })
print ( "sentiment analysis" )
for sent0 in sentences :
print ( sent0 , "%.3f" % ht_eng . analyse_sent ( sent0 ))
# 自动分段
print ( "Segmentation" )
print ( " n " . join ( ht_eng . cut_paragraphs ( test_text , num_paras = 2 )))
# 情感分析也提供了一个内置英文词典资源
# from harvesttext.resources import get_english_senti_lexicon
# sent_lexicon = get_english_senti_lexicon()
# sent_dict = ht_eng.build_sent_dict(sentences, pos_seeds=sent_lexicon["pos"], neg_seeds=sent_lexicon["neg"], min_times=1) in the middle of the night.
lonely souls travel in time.
familiar hearts start to entwine.
we imagine what we'll find, in another life.
['we', 'imagine', 'what', 'we', "'ll", 'find', ',', 'in', 'another', 'life', '.']
[('the', 'DET'), ('middle', 'NOUN'), ('of', 'ADP'), ('the', 'DET'), ('night', 'NOUN'), ('.', '.')]
sentiment analysis
in the middle of the night. 0.000
lonely souls travel in time. -1.600
familiar hearts start to entwine. 1.600
we imagine what we'll find, in another life. 0.000
Segmentation
in the middle of the night. lonely souls travel in time. familiar hearts start to entwine.
we imagine what we'll find, in another life.
Saat ini, dukungan untuk bahasa Inggris tidak sempurna. Kecuali untuk fungsi dalam contoh di atas, fungsi lain tidak dijamin akan digunakan.
Jika Anda menemukan perpustakaan ini bermanfaat untuk pekerjaan akademik Anda, silakan merujuk ke format berikut
@misc{zhangHarvestText,
author = {Zhiling Zhang},
title = {HarvestText: A Toolkit for Text Mining and Preprocessing},
journal = {GitHub repository},
howpublished = {url{https://github.com/blmoistawinde/HarvestText}},
year = {2023}
}
Perpustakaan ini sedang dalam pengembangan, dan perbaikan pada fitur yang ada dan penambahan lebih banyak fitur mungkin datang satu demi satu. Selamat datang untuk memberikan saran dalam masalah. Jika Anda pikir itu mudah digunakan, Anda mungkin memiliki bintang ~
Berkat repo berikut untuk inspirasi:
Snownlp
Pyhanlp
funnlp
Chinesewordsmentation
EventTriplesExtraction
Textrank4zh
