spikex
1.0.0
O Spikex é uma coleção de tubos prontos para serem conectados em um pipeline espacial. O objetivo é ajudar a construir ferramentas de extração de conhecimento com esforço quase zero.
Wikigraph nunca foi tão rápido:
Doc com base em um nome de atributo personalizado e padrões de frase. Exemplos são substantivos e verbphrasex , que extraem frases de substantivo e frases verbais, respectivamenteAlguns requisitos são herdados da Spacy:
Algumas dependências usam Cython e precisa ser instalado antes do Spikex:
pip install cythonLembre -se de que um ambiente virtual é sempre recomendado, a fim de evitar a modificação do estado do sistema.
Neste ponto, a instalação do Spikex via Pip é um comando de uma linha:
pip install spikexOs tubos Spikex funcionam com Spacy, portanto, um modelo é necessário instalar. Siga as instruções oficiais aqui. O novo Spacy 3.0 é suportado!
Um WikiGraph é construído a partir de alguns componentes -chave da Wikipedia: páginas , categorias e relações entre eles.
Criar um WikiGraph pode levar tempo, dependendo do tamanho do seu depósito de Wikipedia. Por esse motivo, fornecemos wikigraphs prontos para serem usados:
| Data | Wikigraph | Lang | Tamanho (comprimido) | Tamanho (memória) | |
|---|---|---|---|---|---|
| 2021-05-20 | enwiki_core | En | 1,3 GB | 8 GB | |
| 2021-05-20 | Simplewiki_core | En | 20 MB | 130 MB | |
| 2021-05-20 | itwiki_core | ISTO | 208 MB | 1,2 GB | |
| Mais chegando ... |
O Spikex fornece um comando para baixar e instalar um WikiGraph (Linux ou MacOS, o Windows ainda não suportado):
spikex download-wikigraph simplewiki_core Um WikiGraph pode ser criado a partir da linha de comando, especificando qual dump da Wikipedia para levar e onde salvá -la:
spikex create-wikigraph
< YOUR-OUTPUT-PATH >
--wiki < WIKI-NAME, default: en >
--version < DUMP-VERSION, default: latest >
--dumps-path < DUMPS-BACKUP-PATH > Então ele precisa ser embalado e instalado:
spikex package-wikigraph
< WIKIGRAPH-RAW-PATH >
< YOUR-OUTPUT-PATH >Siga as instruções no final do processo de embalagem e instale o pacote de distribuição em seu ambiente virtual. Agora você está pronto para usar seu wikigraph como desejar:
from spikex . wikigraph import load as wg_load
wg = wg_load ( "enwiki_core" )
page = "Natural_language_processing"
categories = wg . get_categories ( page , distance = 1 )
for category in categories :
print ( category )
> >> Category : Speech_recognition
> >> Category : Artificial_intelligence
> >> Category : Natural_language_processing
> >> Category : Computational_linguisticsO Matcher é idêntico ao de Spacy, mas mais rápido quando se trata de lidar com muitos padrões ao mesmo tempo (ordem de milhares); portanto, siga as instruções oficiais de uso aqui.
Um exemplo trivial:
from spikex . matcher import Matcher
from spacy import load as spacy_load
nlp = spacy_load ( "en_core_web_sm" )
matcher = Matcher ( nlp . vocab )
matcher . add ( "TEST" , [[{ "LOWER" : "nlp" }]])
doc = nlp ( "I love NLP" )
for _ , s , e in matcher ( doc ):
print ( doc [ s : e ])
> >> NLP O WikiPageX Pipe usa um WikiGraph para encontrar pedaços em um texto que corresponde aos títulos da página da Wikipedia.
from spacy import load as spacy_load
from spikex . wikigraph import load as wg_load
from spikex . pipes import WikiPageX
nlp = spacy_load ( "en_core_web_sm" )
doc = nlp ( "An apple a day keeps the doctor away" )
wg = wg_load ( "simplewiki_core" )
wpx = WikiPageX ( wg )
doc = wpx ( doc )
for span in doc . _ . wiki_spans :
print ( span . _ . wiki_pages )
> >> [ 'An' ]
> >> [ 'Apple' , 'Apple_(disambiguation)' , 'Apple_(company)' , 'Apple_(tree)' ]
> >> [ 'A' , 'A_(musical_note)' , 'A_(New_York_City_Subway_service)' , 'A_(disambiguation)' , 'A_(Cyrillic)' )]
> >> [ 'Day' ]
> >> [ 'The_Doctor' , 'The_Doctor_(Doctor_Who)' , 'The_Doctor_(Star_Trek)' , 'The_Doctor_(disambiguation)' ]
> >> [ 'The' ]
> >> [ 'Doctor_(Doctor_Who)' , 'Doctor_(Star_Trek)' , 'Doctor' , 'Doctor_(title)' , 'Doctor_(disambiguation)' ] O tubo ClusterX pega pedaços substantivos em um texto e os agarra usando um algoritmo de mapeador de bola radial.
from spacy import load as spacy_load
from spikex . pipes import ClusterX
nlp = spacy_load ( "en_core_web_sm" )
doc = nlp ( "Grab this juicy orange and watch a dog chasing a cat." )
clusterx = ClusterX ( min_score = 0.65 )
doc = clusterx ( doc )
for cluster in doc . _ . cluster_chunks :
print ( cluster )
> >> [ this juicy orange ]
> >> [ a cat , a dog ]O tubo ABBRX encontra abreviações e acrônimos no texto, vinculando formas curtas e longas:
from spacy import load as spacy_load
from spikex . pipes import AbbrX
nlp = spacy_load ( "en_core_web_sm" )
doc = nlp ( "a little snippet with an abbreviation (abbr)" )
abbrx = AbbrX ( nlp . vocab )
doc = abbrx ( doc )
for abbr in doc . _ . abbrs :
print ( abbr , "->" , abbr . _ . long_form )
> >> abbr - > abbreviation O tubo LabelX corresponde e rótulos padrões em texto, resolvendo sobreposições, abreviações e acrônimos.
from spacy import load as spacy_load
from spikex . pipes import LabelX
nlp = spacy_load ( "en_core_web_sm" )
doc = nlp ( "looking for a computer system engineer" )
patterns = [
[{ "LOWER" : "computer" }, { "LOWER" : "system" }],
[{ "LOWER" : "system" }, { "LOWER" : "engineer" }],
]
labelx = LabelX ( nlp . vocab , [( "TEST" , patterns )], validate = True , only_longest = True )
doc = labelx ( doc )
for labeling in doc . _ . labelings :
print ( labeling , f"[ { labeling . label_ } ]" )
> >> computer system engineer [ TEST ] O tubo PhraseX cria uma extensão sublinheira de Doc personalizado que atende a correspondências a partir de padrões de frase.
from spacy import load as spacy_load
from spikex . pipes import PhraseX
nlp = spacy_load ( "en_core_web_sm" )
doc = nlp ( "I have Melrose and McIntosh apples, or Williams pears" )
patterns = [
[{ "LOWER" : "mcintosh" }],
[{ "LOWER" : "melrose" }],
]
phrasex = PhraseX ( nlp . vocab , "apples" , patterns )
doc = phrasex ( doc )
for apple in doc . _ . apples :
print ( apple )
> >> Melrose
> >> McIntoshO tubo Sentx divide frases em um texto. Ele modifica o atributo is_sent_start de tokens, por isso é obrigatório adicioná -lo antes do tubo do analisador no pipeline de spacy:
from spacy import load as spacy_load
from spikex . pipes import SentX
from spikex . defaults import spacy_version
if spacy_version >= 3 :
from spacy . language import Language
@ Language . factory ( "sentx" )
def create_sentx ( nlp , name ):
return SentX ()
nlp = spacy_load ( "en_core_web_sm" )
sentx_pipe = SentX () if spacy_version < 3 else "sentx"
nlp . add_pipe ( sentx_pipe , before = "parser" )
doc = nlp ( "A little sentence. Followed by another one." )
for sent in doc . sents :
print ( sent )
> >> A little sentence .
> >> Followed by another one .Sinta -se à vontade para contribuir e se divertir!
