PyABSA

PYABSA: Kerangka kerja modularisasi untuk analisis sentimen berbasis aspek yang dapat direproduksi (kertas)

Hai, yang di sana! Harap bintangi repo ini jika membantu Anda! Setiap bintang membantu Pyabsa melangkah lebih jauh, terima kasih banyak. Pyabsa adalah alat sumber terbuka dan terbuka untuk semua orang, tetapi jangan lupa untuk melampirkan informasi penulis (informal atau formal) dan alamat proyek dalam karya, produk dan publikasi Anda, dll.

Cobalah demo kami di ruang pelukan

Terlepas dari kertas, ada dua fitur baru di Pyabsa: Ekstraksi Triplet Sentimen Sentimen dan Ekstraksi Kali Lipat Aspek. Kami telah menggunakan demo di ruang pelukan, Anda dapat mencobanya secara online.

• Aspek Sentimen Ekstraksi Empilruple (Bahasa Inggris) Fitur Baru
• Aspek Sentimen Ekstraksi Triplet (Bahasa Inggris) Fitur Baru
• (Gradio) Istilah Ekstraksi & Klasifikasi Sentimen (Bahasa Inggris, Cina, Arab, Belanda, Prancis, Rusia, Spanyol, Turki, dll.)
• (Prototipe) Istilah Ekstraksi & Klasifikasi Sentimen (Inggris, Cina, Arab, Belanda, Prancis, Rusia, Spanyol, Turki, dll.)
• 方面术语提取和情感分类 （中文, dll.）
• Klasifikasi sentimen berbasis aspek (multibahasa) （Bahasa Inggris, Cina, dll.）

Contoh penggunaan

Kami telah menyiapkan banyak contoh untuk tugas yang berbeda. Silakan merujuk ke contoh untuk lebih banyak contoh penggunaan.

Instalasi

Instal melalui PIP

Untuk menggunakan pyabsa, instal versi terbaru dari PIP atau kode sumber:

pip install -U pyabsa

instal melalui sumber

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

Start cepat

Mengekstrak istilah aspek dan mengklasifikasikan sentimen

 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 )

Analisis sentimen berbasis aspek

 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 )

Anotasi Dataset dan Pelatihan Model

Silakan merujuk ke dokumentasi: Dokumentasi PYABSA. Jika Anda memiliki pertanyaan tentang dokumen, jangan ragu untuk mengangkat masalah. Juga, Anda dapat bergabung untuk meningkatkan dokumen.

Melihat

Repositori ini didasarkan pada makalah kami untuk penelitian ABSA. Berikut adalah makalah yang dapat Anda kutip atau rujuk untuk implementasi Anda:

Model klasifikasi polaritas sentimen sentimen

1. Kembali ke Realitas: Memanfaatkan Pemodelan Berbasis Pola Untuk Mengaktifkan Pembelajaran Ketergantungan Sentimen yang Terjangkau (EG, FAST-LSA, 2020)
2. Belajar untuk sentimen tergantung target berdasarkan embedding sadar konteks lokal (misalnya, LCA-Net, 2020)
3. LCF: Mekanisme Fokus Konteks Lokal untuk Klasifikasi Sentimen Berbasis Aspek (misalnya, LCF-Bert, 2019)

Aspek Sentimen Polaritas Klasifikasi & Model Ekstraksi Istilah Aspek

1. Model pembelajaran multi-tugas untuk klasifikasi polaritas aspek yang berorientasi Cina dan ekstraksi istilah aspek] (misalnya, FAST-LCF-ATEPC, 2020)
2. (ARXIV) Model pembelajaran multi-tugas untuk klasifikasi polaritas aspek yang berorientasi Cina dan ekstraksi istilah aspek

Jika Anda mencari proposal asli fokus konteks lokal, berikut adalah beberapa pengantar di sini.

Kutipan

 @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 }
}

Kontribusi

Repositori ini dikembangkan dan dikelola oleh Heng Yang (Yangheng95@github), dengan kontribusi besar dari peneliti masyarakat. Kami berharap Anda dapat membantu kami meningkatkan proyek ini, dan kontribusi Anda dipersilakan. Anda dapat memberikan kontribusi dalam banyak hal, termasuk:

• Bagikan Dataset Kustom Anda di Pyabsa dan Absadataets
• Mengintegrasikan model Anda di pyabsa. (Anda dapat membagikan model Anda apakah itu atau tidak didasarkan pada pyabsa. Jika Anda tertarik, kami akan membantu Anda)
• Naikkan laporan bug saat Anda menggunakan pyabsa atau tinjau kode (pyabsa adalah proyek individu yang didorong oleh antusiasme sehingga bantuan Anda diperlukan)
• Beri kami beberapa saran tentang desain fitur/refactor (Anda dapat menyarankan untuk meningkatkan beberapa fitur)
• Benar/Tulis ulang beberapa pesan kesalahan atau komentar kode (komentar tidak ditulis oleh penutur asli bahasa Inggris, Anda dapat membantu kami meningkatkan dokumen)
• Buat contoh skrip dalam situasi tertentu (seperti menentukan model spacy, tipe pretrained-bt, beberapa hiper-parameter)
• Bintang repositori ini agar tetap aktif

Lisensi

PYABSA dirilis di bawah lisensi MIT, silakan kutip repo ini (atau makalah) atau lampirkan informasi penulis dalam pekerjaan Anda (repositori, blog, produk, dll.)