fast langdetect

langdetect cepat

Ringkasan

Fast-LangDetect menyediakan deteksi bahasa yang sangat cepat dan sangat akurat berdasarkan FastText, perpustakaan yang dikembangkan oleh Facebook. Paket ini 80x lebih cepat dari metode tradisional dan menawarkan akurasi 95%.

Ini mendukung versi Python 3.9 hingga 3.12.

Dukungan penggunaan offline.

Proyek ini dibangun di atas Zafercavdar/FastText-LangDetect dengan peningkatan kemasan.

Untuk informasi lebih lanjut tentang model FastText yang mendasarinya, lihat dokumentasi resmi: Identifikasi Bahasa FastText.

Catatan

Perpustakaan ini membutuhkan lebih dari 200MB memori untuk digunakan dalam mode memori rendah.

Instalasi

Untuk menginstal Fast-LangDetect, Anda dapat menggunakan pip atau pdm :

Menggunakan pip

pip install fast-langdetect

Menggunakan PDM

pdm add fast-langdetect

Penggunaan

Untuk kinerja dan akurasi yang optimal dalam deteksi bahasa, gunakan detect(text, low_memory=False) untuk memuat model yang lebih besar.

Model akan diunduh ke direktori /tmp/fasttext-langdetect setelah digunakan pertama.

API asli (disarankan)

Catatan

Fungsi ini mengasumsikan diberikan satu baris teks. Anda harus menghapus n karakter sebelum menyampaikan teks. Jika sampel terlalu panjang atau terlalu pendek, akurasinya akan berkurang (misalnya, dalam kasus terlalu pendek, Cina akan diprediksi sebagai orang Jepang).

 from fast_langdetect import detect , detect_multilingual

# Single language detection
print ( detect ( "Hello, world!" ))
# Output: {'lang': 'en', 'score': 0.12450417876243591}

# `use_strict_mode` determines whether the model loading process should enforce strict conditions before using fallback options.
# If `use_strict_mode` is set to True, we will load only the selected model, not the fallback model.
print ( detect ( "Hello, world!" , low_memory = False , use_strict_mode = True ))

# How to deal with multiline text
multiline_text = """
Hello, world!
This is a multiline text.
But we need remove ` n ` characters or it will raise an ValueError.
"""
multiline_text = multiline_text . replace ( " n " , "" )  # NOTE:ITS IMPORTANT TO REMOVE n CHARACTERS
print ( detect ( multiline_text ))
# Output: {'lang': 'en', 'score': 0.8509423136711121}

print ( detect ( "Привет, мир!" )[ "lang" ])
# Output: ru

# Multi-language detection
print ( detect_multilingual ( "Hello, world!你好世界!Привет, мир!" ))
# Output: [{'lang': 'ja', 'score': 0.32009604573249817}, {'lang': 'uk', 'score': 0.27781224250793457}, {'lang': 'zh', 'score': 0.17542070150375366}, {'lang': 'sr', 'score': 0.08751443773508072}, {'lang': 'bg', 'score': 0.05222449079155922}]

# Multi-language detection with low memory mode disabled
print ( detect_multilingual ( "Hello, world!你好世界!Привет, мир!" , low_memory = False ))
# Output: [{'lang': 'ru', 'score': 0.39008623361587524}, {'lang': 'zh', 'score': 0.18235979974269867}, {'lang': 'ja', 'score': 0.08473210036754608}, {'lang': 'sr', 'score': 0.057975586503744125}, {'lang': 'en', 'score': 0.05422825738787651}]

Fungsi detect_language yang nyaman

 from fast_langdetect import detect_language

# Single language detection
print ( detect_language ( "Hello, world!" ))
# Output: EN

print ( detect_language ( "Привет, мир!" ))
# Output: RU

print ( detect_language ( "你好，世界！" ))
# Output: ZH

Memisahkan teks berdasarkan bahasa

Untuk pemisahan teks berdasarkan bahasa, silakan merujuk ke repositori split-lang.

Benchmark

Untuk hasil benchmark terperinci, lihat Benchmark Zafercavdar/FastText-LangDetect#.

Referensi

[1] A. Joulin, E. Grave, P. Bojanowski, T. Mikolov, tas trik untuk klasifikasi teks yang efisien

 @article { joulin2016bag ,
  title = { Bag of Tricks for Efficient Text Classification } ,
  author = { Joulin, Armand and Grave, Edouard and Bojanowski, Piotr and Mikolov, Tomas } ,
  journal = { arXiv preprint arXiv:1607.01759 } ,
  year = { 2016 }
}

[2] A. Joulin, E. Grave, P. Bojanowski, M. Douze, H. Jégou, T. Mikolov, FastText.zip: Model Klasifikasi Teks Mengompresing

 @article { joulin2016fasttext ,
  title = { FastText.zip: Compressing text classification models } ,
  author = { Joulin, Armand and Grave, Edouard and Bojanowski, Piotr and Douze, Matthijs and J{'e}gou, H{'e}rve and Mikolov, Tomas } ,
  journal = { arXiv preprint arXiv:1612.03651 } ,
  year = { 2016 }
}