xmnlp
v0.3.2
XMNLP: um kit de ferramentas de processamento de linguagem natural chinês de código aberto
XMNLP: um kit de ferramentas de processamento de linguagem natural chinês
Instale a versão mais recente do XMNLP
pip install -U xmnlp
Usuários domésticos podem adicionar index-url
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -U xmnlpDepois de instalar o pacote, você também precisa baixar os pesos do modelo a ser usado normalmente.
Faça o download da versão correspondente do modelo XMNLP. Se você não estiver claro sobre a versão do XMNLP, poderá executar python -c 'import xmnlp; print(xmnlp.__version__)' para ver a versão
| Nome do modelo | Versão aplicável | Endereço para download |
|---|---|---|
| XMNLP-NONX-MODELS-V5.ZIP | v0.5.0, v0.5.1, v0.5.2, v0.5.3 | Feishu [Ighi] | Baidu Netdisk [L9ID] |
| XMNLP-NONX-MODELS-V4.ZIP | v0.4.0 | Feishu [dkla] | Baidu Netdisk [J1QI] |
| XMNLP-NONX-MODELS-V3.ZIP | v0.3.2, v0.3.3 | Feishu [O4ba] | Baidu Netdisk [9G7E] |
Depois de baixar o modelo, você precisa definir o caminho do modelo XMNLP para ser executado normalmente. Dois métodos de configuração são fornecidos
Método 1: Configurar variáveis de ambiente (recomendado)
Depois que o modelo baixado é descomprimido, você pode definir a variável de ambiente para especificar o endereço do modelo. Tomando o sistema Linux como exemplo, as configurações são as seguintes
export XMNLP_MODEL=/path/to/xmnlp-modelsMétodo 2: Configurando através de funções
Defina o endereço do modelo antes de ligar para o XMNLP, como segue
import xmnlp
xmnlp . set_model ( '/path/to/xmnlp-models' )
* O acima /path/to/ é apenas para espaço reservado. Substitua -o pelo endereço de diretório real do modelo ao configurar.
Segmentação de palavras chinesa (padrão), com base na correspondência máxima inversa, Roberta + CRF é usado para reconhecimento de novas palavras.
parâmetro:
O resultado retorna:
Exemplo:
> >> 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' , '?' , '。' ]
A segmentação de palavras com base na correspondência máxima reversa não inclui reconhecimento de novas palavras e é mais rápido.
parâmetro:
O resultado retorna:
Exemplo:
> >> 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' , '?' , '。' ]
Com base no modelo Roberta + CRF, a velocidade é mais lenta. Atualmente, a interface profunda suporta apenas chineses simplificados, não tradicionais.
parâmetro:
O resultado retorna:
Exemplo:
> >> 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' , '?' , '。' ]
Parte da anotação da fala.
parâmetro:
O resultado retorna:
Exemplo:
> >> 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' )]
Com base na correspondência máxima reversa, ele não inclui novo reconhecimento de palavras e é mais rápido.
parâmetro:
O resultado retorna:
Exemplo:
> >> 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' )]
Com base no modelo Roberta + CRF, a velocidade é mais lenta. Atualmente, a interface profunda suporta apenas chineses simplificados, não tradicionais.
parâmetro:
O resultado retorna:
Exemplo:
> >> 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' )]Suporte ao dicionário definido pelo usuário, o formato de dicionário é
词1 词性1
词2 词性2
Também compatível com o formato de dicionário de Jieba Particle
词1 词频1 词性1
词2 词频2 词性2
Nota: O espaçador na linha acima é espaço
Exemplo de uso:
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 )
Nomeado reconhecimento corporal, os tipos de entidade que apóiam o reconhecimento são:
parâmetro:
O resultado retorna:
Exemplo:
> >> 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 )]
Extraia palavras -chave do texto, com base no algoritmo TextTrank.
parâmetro:
O resultado retorna:
Exemplo:
> >> 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 )]
Extraia as frases -chave do texto, com base no algoritmo TextTrank.
parâmetro:
O resultado retorna:
Exemplo:
> >> 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' ]
O reconhecimento emocional é baseado no treinamento de corpus de revisão de comércio eletrônico e é adequado para o reconhecimento emocional nos cenários de comércio eletrônico.
parâmetro:
O resultado retorna:
Exemplo:
> >> import xmnlp
> >> text = "这本书真不错，下次还要买"
> >> print ( xmnlp . sentiment ( text ))
( 0.02727833203971386 , 0.9727216958999634 )
Texto para Pinyin
parâmetro:
O resultado retorna:
Exemplo:
> >> import xmnlp
> >> text = "自然语言处理"
> >> print ( xmnlp . pinyin ( text ))
[ 'Zi' , 'ran' , 'yu' , 'yan' , 'chu' , 'li' ]
Extrair radicais de texto
parâmetro:
O resultado retorna:
Exemplo:
> >> import xmnlp
> >> text = "自然语言处理"
> >> print ( xmnlp . radical ( text ))
[ '自' , '灬' , '讠' , '言' , '夂' , '王' ]
Correção de erro de texto
parâmetro:
O resultado retorna:
Exemplo:
> >> 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 )]}Função de inicialização do vetor de sentença
A seguir, são apresentadas as três funções de membro do sentença
Exemplo de uso
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 )Saída
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,)
A nova versão não fornece mais a interface de processamento paralela correspondente e requer o uso de xmnlp.utils.parallel_handler para definir a interface de processamento paralelo.
A interface é a seguinte:
xmnlp . utils . parallel_handler ( callback : Callable , texts : List [ str ], n_jobs : int = 2 , ** kwargs ) - > Generator [ List [ Any ], None , None ]Exemplo de uso:
from functools import partial
import xmnlp
from xmnlp . utils import parallel_handler
seg_parallel = partial ( parallel_handler , xmnlp . seg )
print ( seg_parallel ( texts ))
Ansioso por mais contribuições de amigos para criar uma ferramenta de NLP chinesa simples e fácil de usar
@ 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 }},
}
Estou comprometido com a pesquisa e implementação da PNL, e minhas instruções incluem: extração de informações, classificação emocional, etc.
Para outras necessidades de implementação da PNL, entre em contato com [email protected] (este é um serviço pago, e os bugs relacionados ao XMNLP podem ser relatados diretamente)
Pesquise a conta oficial xmnlp-ai a seguir, selecione "Grupo de Comunicação" no menu para ingressar no grupo.
Os dados usados neste projeto são principalmente:
Apache 2.0
A maioria dos modelos é construída com base em Langml
