xmnlp
v0.3.2
XMNLP: Toolkit Pemrosesan Bahasa Natural Sumber Open Source Out of the Box
XMNLP: Toolkit Pemrosesan Bahasa Natural Tiongkok yang out-of-the-box
Instal versi terbaru dari XMNLP
pip install -U xmnlp
Pengguna domestik dapat menambahkan indeks-URL
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -U xmnlpSetelah menginstal paket, Anda juga perlu mengunduh bobot model untuk digunakan secara normal.
Silakan unduh versi XMNLP yang sesuai. Jika Anda tidak jelas tentang versi XMNLP, Anda dapat menjalankan python -c 'import xmnlp; print(xmnlp.__version__)' untuk melihat versi
| Nama model | Versi yang berlaku | Alamat unduhan |
|---|---|---|
| xmnlp-onnx-model-v5.zip | v0.5.0, v0.5.1, v0.5.2, v0.5.3 | Feishu [ighi] | Baidu Netdisk [L9ID] |
| XMNLP-INNX-MODELS-V4.ZIP | V0.4.0 | Feishu [dkla] | Baidu Netdisk [J1QI] |
| xmnlp-onnx-model-v3.zip | v0.3.2, v0.3.3 | Feishu [o4ba] | Baidu Netdisk [9G7E] |
Setelah mengunduh model, Anda perlu mengatur jalur model XMNLP untuk dijalankan secara normal. Dua metode konfigurasi disediakan
Metode 1: Mengkonfigurasi Variabel Lingkungan (Dianjurkan)
Setelah model yang diunduh didekompresi, Anda dapat mengatur variabel lingkungan untuk menentukan alamat model. Mengambil sistem Linux sebagai contoh, pengaturannya adalah sebagai berikut
export XMNLP_MODEL=/path/to/xmnlp-modelsMetode 2: Mengatur melalui fungsi
Atur alamat model sebelum memanggil XMNLP, sebagai berikut
import xmnlp
xmnlp . set_model ( '/path/to/xmnlp-models' )
* Di atas /path/to/ hanya untuk placeholder. Harap ganti dengan alamat direktori nyata model saat mengonfigurasi.
Segmentasi Kata Cina (default), berdasarkan pencocokan maksimum terbalik, Roberta + CRF digunakan untuk pengenalan kata baru.
parameter:
Hasilnya kembali:
Contoh:
> >> import xmnlp
> >> text = """xmnlp 是一款开箱即用的轻量级中文自然语言处理工具?。"""
> >> print ( xmnlp . seg ( text ))
[ 'xmnlp' , '是' , '一款' , '开箱' , '即用' , '的' , '轻量级' , '中文' , '自然语言' , '处理' , '工具' , '?' , '。' ]
Segmentasi kata berdasarkan pencocokan maksimum terbalik tidak termasuk pengenalan kata baru, dan lebih cepat.
parameter:
Hasilnya kembali:
Contoh:
> >> import xmnlp
> >> text = """xmnlp 是一款开箱即用的轻量级中文自然语言处理工具?。"""
> >> print ( xmnlp . seg ( text ))
[ 'xmnlp' , '是' , '一款' , '开箱' , '即' , '用' , '的' , '轻量级' , '中文' , '自然语言' , '处理' , '工具' , '?' , '。' ]
Berdasarkan model Roberta + CRF, kecepatannya lebih lambat. Saat ini, antarmuka yang dalam hanya mendukung bahasa Cina yang disederhanakan, bukan Cina tradisional.
parameter:
Hasilnya kembali:
Contoh:
> >> import xmnlp
> >> text = """xmnlp 是一款开箱即用的轻量级中文自然语言处理工具?。"""
> >> print ( xmnlp . deep_seg ( text ))
[ 'xmnlp' , '是' , '一款' , '开箱' , '即用' , '的' , '轻' , '量级' , '中文' , '自然' , '语言' , '处理' , '工具' , '?' , '。' ]
Bagian dari anotasi pidato.
parameter:
Hasilnya kembali:
Contoh:
> >> import xmnlp
> >> text = """xmnlp 是一款开箱即用的轻量级中文自然语言处理工具?。"""
> >> print ( xmnlp . tag ( text ))
[( 'xmnlp' , 'eng' ), ( '是' , 'v' ), ( '一款' , 'm' ), ( '开箱' , 'n' ), ( '即用' , 'v' ), ( '的' , 'u' ), ( '轻量级' , 'b' ), ( '中文' , 'nz' ), ( '自然语言' , 'l' ), ( '处理' , 'v' ), ( '工具' , 'n' ), ( '?' , 'x' ), ( '。' , 'x' )]
Berdasarkan pencocokan maksimum terbalik, itu tidak termasuk pengenalan kata baru, dan lebih cepat.
parameter:
Hasilnya kembali:
Contoh:
> >> import xmnlp
> >> text = """xmnlp 是一款开箱即用的轻量级中文自然语言处理工具?。"""
> >> print ( xmnlp . fast_tag ( text ))
[( 'xmnlp' , 'eng' ), ( '是' , 'v' ), ( '一款' , 'm' ), ( '开箱' , 'n' ), ( '即' , 'v' ), ( '用' , 'p' ), ( '的' , 'uj' ), ( '轻量级' , 'b' ), ( '中文' , 'nz' ), ( '自然语言' , 'l' ), ( '处理' , 'v' ), ( '工具' , 'n' ), ( '?' , 'x' ), ( '。' , 'x' )]
Berdasarkan model Roberta + CRF, kecepatannya lebih lambat. Saat ini, antarmuka yang dalam hanya mendukung bahasa Cina yang disederhanakan, bukan Cina tradisional.
parameter:
Hasilnya kembali:
Contoh:
> >> import xmnlp
> >> text = """xmnlp 是一款开箱即用的轻量级中文自然语言处理工具?。"""
> >> print ( xmnlp . deep_tag ( text ))
[( 'xmnlp' , 'x' ), ( '是' , 'v' ), ( '一款' , 'm' ), ( '开箱' , 'v' ), ( '即用' , 'v' ), ( '的' , 'u' ), ( '轻' , 'nz' ), ( '量级' , 'b' ), ( '中文' , 'nz' ), ( '自然' , 'n' ), ( '语言' , 'n' ), ( '处理' , 'v' ), ( '工具' , 'n' ), ( '?' , 'w' ), ( '。' , 'w' )]Mendukung kamus yang ditentukan pengguna, format kamus adalah
词1 词性1
词2 词性2
Juga kompatibel dengan format kamus Jieba participle
词1 词频1 词性1
词2 词频2 词性2
Catatan: Spacer di garis di atas adalah ruang
Contoh Penggunaan:
from xmnlp . lexical . tokenization import Tokenization
# 定义 tokenizer
# detect_new_word 定义是否识别新词，默认 True， 设为 False 时速度会更快
tokenizer = Tokenization ( user_dict_path , detect_new_word = True )
# 分词
tokenizer . seg ( texts )
# 词性标注
tokenizer . tag ( texts )
Bernama pengenalan tubuh, tipe entitas yang mendukung pengakuan adalah:
parameter:
Hasilnya kembali:
Contoh:
> >> import xmnlp
> >> text = "现任美国总统是拜登。"
> >> print ( xmnlp . ner ( text ))
[( '美国' , 'LOCATION' , 2 , 4 ), ( '总统' , 'JOB' , 4 , 6 ), ( '拜登' , 'PERSON' , 7 , 9 )]
Ekstrak kata kunci dari teks, berdasarkan algoritma TextTrank.
parameter:
Hasilnya kembali:
Contoh:
> >> import xmnlp
> >> text = """自然语言处理: 是人工智能和语言学领域的分支学科。
...: 在这此领域中探讨如何处理及运用自然语言；自然语言认知则是指让电脑“懂”人类的
...: 语言。
...: 自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化
...: 为计算机程序更易于处理的形式。"""
> >> print ( xmnlp . keyword ( text ))
[( '自然语言' , 2.3000579596585897 ), ( '语言' , 1.4734141257937314 ), ( '计算机' , 1.3747500999598312 ), ( '转化' , 1.2687686226652466 ), ( '系统' , 1.1171384775870152 ), ( '领域' , 1.0970728069617324 ), ( '人类' , 1.0192131829490039 ), ( '生成' , 1.0075197087342542 ), ( '认知' , 0.9327188339671753 ), ( '指' , 0.9218423928455112 )]
Ekstrak kalimat kunci dari teks, berdasarkan algoritma TextTrank.
parameter:
Hasilnya kembali:
Contoh:
> >> import xmnlp
> >> text = """自然语言处理: 是人工智能和语言学领域的分支学科。
...: 在这此领域中探讨如何处理及运用自然语言；自然语言认知则是指让电脑“懂”人类的
...: 语言。
...: 自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化
...: 为计算机程序更易于处理的形式。"""
> >> print ( xmnlp . keyphrase ( text , k = 2 ))
[ '自然语言理解系统把自然语言转化为计算机程序更易于处理的形式' , '自然语言生成系统把计算机数据转化为自然语言' ]
Pengakuan emosional didasarkan pada pelatihan corpus ulasan e-commerce, dan cocok untuk pengakuan emosional dalam skenario e-commerce.
parameter:
Hasilnya kembali:
Contoh:
> >> import xmnlp
> >> text = "这本书真不错，下次还要买"
> >> print ( xmnlp . sentiment ( text ))
( 0.02727833203971386 , 0.9727216958999634 )
Teks ke pinyin
parameter:
Hasilnya kembali:
Contoh:
> >> import xmnlp
> >> text = "自然语言处理"
> >> print ( xmnlp . pinyin ( text ))
[ 'Zi' , 'ran' , 'yu' , 'yan' , 'chu' , 'li' ]
Ekstrak radikal teks
parameter:
Hasilnya kembali:
Contoh:
> >> import xmnlp
> >> text = "自然语言处理"
> >> print ( xmnlp . radical ( text ))
[ '自' , '灬' , '讠' , '言' , '夂' , '王' ]
Koreksi kesalahan teks
parameter:
Hasilnya kembali:
Contoh:
> >> import xmnlp
> >> text = "不能适应体育专业选拔人材的要求"
> >> print ( xmnlp . checker ( text ))
{( 11 , '材' ): [( '才' , 1.58528071641922 ), ( '材' , 1.0009655653266236 ), ( '裁' , 1.0000178480604518 ), ( '员' , 0.35814568400382996 ), ( '士' , 0.011077565141022205 )]}Fungsi Inisialisasi Singkapan Salam
Berikut ini adalah tiga fungsi anggota dari SentencEvector
Contoh penggunaan
import numpy as np
from xmnlp . sv import SentenceVector
query = '我想买手机'
docs = [
'我想买苹果手机' ,
'我喜欢吃苹果'
]
sv = SentenceVector ( genre = '通用' )
for doc in docs :
print ( 'doc:' , doc )
print ( 'similarity:' , sv . similarity ( query , doc ))
print ( 'most similar doc:' , sv . most_similar ( query , docs ))
print ( 'query representation shape:' , sv . transform ( query ). shape )Keluaran
doc: 我想买苹果手机
similarity: 0.68668646
doc: 我喜欢吃苹果
similarity: 0.3020076
most similar doc: [('我想买苹果手机', 16.255546509314417)]
query representation shape: (312,)
Versi baru tidak lagi menyediakan antarmuka pemrosesan paralel yang sesuai, dan membutuhkan penggunaan xmnlp.utils.parallel_handler untuk menentukan antarmuka pemrosesan paralel.
Antarmuka adalah sebagai berikut:
xmnlp . utils . parallel_handler ( callback : Callable , texts : List [ str ], n_jobs : int = 2 , ** kwargs ) - > Generator [ List [ Any ], None , None ]Contoh Penggunaan:
from functools import partial
import xmnlp
from xmnlp . utils import parallel_handler
seg_parallel = partial ( parallel_handler , xmnlp . seg )
print ( seg_parallel ( texts ))
Menantikan lebih banyak kontribusi teman untuk membuat alat NLP Cina yang sederhana dan mudah digunakan
@ misc {
xmnlp ,
title = { XMNLP : A Lightweight Chinese Natural Language Processing Toolkit },
author = { Xianming Li },
year = { 2018 },
publisher = { GitHub },
howpublished = { url { https : // github . com / SeanLee97 / xmnlp }},
}
Saya berkomitmen untuk penelitian dan implementasi NLP, dan arahan saya meliputi: ekstraksi informasi, klasifikasi emosional, dll.
Untuk kebutuhan implementasi NLP lainnya, silakan hubungi [email protected] (ini adalah layanan berbayar, dan bug yang terkait dengan XMNLP dapat dilaporkan secara langsung)
Cari akun resmi xmnlp-ai untuk mengikuti, pilih "Communication Group" di menu untuk bergabung dengan grup.
Data yang digunakan dalam proyek ini terutama:
Apache 2.0
Sebagian besar model dibangun di atas langml
