PyABSAダウンロードPyABSAソースコードのダウンロード

PyABSA

パイソン

Release two more ABSA subtasks

ダウンロード

Pyabsa：再現可能なアスペクトベースの感情分析のためのモジュール化されたフレームワーク（論文）

やあ！それがあなたに役立つならば、このレポを主演させてください！それぞれの星は、Pyabsaがさらに進むのを助けます。 Pyabsaは、すべての人にとって無料でオープンソースツールですが、作品、製品、出版物などに（非公式または正式な）著者情報とプロジェクトアドレスを添付することを忘れないでください。

ハギングフェイススペースでデモを試してみてください

論文とは別に、Pyabsaには2つの新機能があります。アスペクトセンチメントトリプレット抽出とアスペクト四重抽出です。 Huggingfaceスペースにデモを展開しました。オンラインで試すことができます。

アスペクトセンチメント四重抽出（英語）新機能
アスペクトセンチメントトリプレット抽出（英語）新機能
（段階）アスペクト用語抽出とセンチメント分類（英語、中国語、アラビア語、オランダ語、フランス語、ロシア語、スペイン語、トルコ語など）
（プロトタイプ）アスペクト用語抽出とセンチメント分類（英語、中国語、アラビア語、オランダ語、フランス語、ロシア語、スペイン語、トルコ語など）
方面术语提取和情感分类方面术语提取和情感分类など
アスペクトベースの感情分類（多言語）（英語、中国語など

使用例

さまざまなタスクの多くの例を用意しています。より多くの使用例については、例を参照してください。

インストール

PIP経由でインストールします

Pyabsaを使用するには、PIPまたはソースコードから最新バージョンをインストールします。

pip install -U pyabsa

ソース経由でインストールします

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

クイックスタート

アスペクト用語を抽出し、感情を分類します

 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 )

アスペクトベースの感情分析

 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 )

データセット注釈とモデルトレーニング

ドキュメントを参照してください：pyabsaドキュメント。ドキュメントについて質問がある場合は、お気軽に問題を提起してください。また、ドキュメントを改善するために参加できます。

知らせ

このリポジトリは、ABSA研究の論文に基づいています。実装のために引用または参照できる論文は次のとおりです。

アスペクト感情極性分類モデル

現実に戻る：手頃なセンチメント依存性学習を可能にするためのパターン駆動型モデリングを活用する（例：Fast-LSA、2020）
ローカルのコンテキスト認識埋め込みに基づくターゲット依存の感情の学習（例：LCA-NET、2020）
LCF：アスペクトベースの感情分類のためのローカルコンテキストフォーカスメカニズム（例：LCF-Bert、2019）

アスペクト感情極性分類とアスペクト用語抽出モデル

中国志向のアスペクト極性分類とアスペクト用語抽出のためのマルチタスク学習モデル]（例、Fast-LCF-ATEPC、2020）
（arxiv）中国指向のアスペクト極性分類とアスペクト用語抽出のためのマルチタスク学習モデル

ローカルコンテキストフォーカスの元の提案を探している場合は、ここにいくつかの紹介があります。

引用

 @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 }
}

貢献

このリポジトリは、Heng Yang（Yangheng95@Github）によって開発および維持されており、コミュニティの研究者から大きな貢献をしています。このプロジェクトの改善を支援できることを期待しており、貢献を歓迎します。以下を含む、さまざまな方法で貢献できます。

PyabsaとAbsadatasetsでカスタムデータセットを共有します
Pyabsaにモデルを統合します。（モデルがPyabsaに基づいているかどうかにかかわらず共有できます。興味がある場合は、お手伝いします）
Pyabsaを使用するか、コードを確認するときにバグレポートを上げる（Pyabsaは熱意に駆られる個別のプロジェクトであるため、あなたの助けが必要です）
機能デザイン/リファクタルについてアドバイスをお願いします（いくつかの機能を改善することをお勧めします）
いくつかのエラーメッセージまたはコードコメントを修正/書き直します（コメントはネイティブ英語話者によって書かれていません、あなたは私たちがドキュメントを改善するのを助けることができます）
特定の状況でサンプルスクリプトを作成します（スペイシーモデルの指定、前処理型タイプ、いくつかのハイパーパラメーターなど）
このリポジトリを主演して、アクティブに保ちます