PyABSA

PYABSA: Uma estrutura modularizada para análise de sentimentos baseados em aspectos reproduzíveis (papel)

Olá! Por favor, estrela este repositório se ajudar você! Cada estrela ajuda Pyabsa a ir além, muito obrigado. A Pyabsa é uma ferramenta gratuita e de código aberto para todos, mas não se esqueça de anexar as informações (informais ou formais) do autor e o endereço do projeto em seus trabalhos, produtos e publicações, etc.

Experimente nossas demos no espaço do huggingface

Além do artigo, existem dois novos recursos em Pyabsa: extração de tripletos de sentimentos e extração quadrupria de aspecto. Nós implantamos as demos no espaço da Hugging Space, você pode experimentá -las online.

• Aspecto de extração quadrupria de sentimento (inglês) novo recurso
• Aspecto de extração de tripleto de sentimentos (inglês) novo recurso
• (Gradio) Classificação de extração e sentimento de termo (inglês, chinês, árabe, holandês, francês, russo, espanhol, turco, etc.)
• (Protótipo) Classificação de extração e sentimento de termo (inglês, chinês, árabe, holandês, francês, russo, espanhol, turco, etc.)
• 方面术语提取和情感分类 （中文, etc.)
• Classificação de sentimentos baseados em aspectos (multilíngues) （inglês, chinês, etc.)

Exemplos de uso

Preparamos muitos exemplos para diferentes tarefas. Consulte Exemplos para obter mais exemplos de uso.

Instalação

Instale via Pip

Para usar o Pyabsa, instale a versão mais recente do PIP ou código -fonte:

pip install -U pyabsa

Instale via fonte

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

Start rápido

Extrair termos de aspecto e classificar sentimentos

 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 )

Análise de sentimentos baseados em aspectos

 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 )

Anotação de dados e treinamento de modelos

Consulte a documentação: documentação Pyabsa. Se você tiver alguma dúvida sobre os documentos, sinta -se à vontade para levantar um problema. Além disso, você pode participar para melhorar os documentos.

Perceber

Este repositório é baseado em nossos trabalhos para pesquisa de absa. Aqui estão os documentos que você pode citar ou consultar para suas implementações:

Modelos de classificação de polaridade do sentimento de aspecto

1. Voltar à realidade: alavancando a modelagem orientada a padrões para permitir o aprendizado de dependência de sentimentos acessíveis (por exemplo, Fast-LSA, 2020)
2. Aprendizagem para sentimentos dependentes do alvo com base na incorporação local com reconhecimento de contexto (por exemplo, LCA-Net, 2020)
3. LCF: um mecanismo de foco de contexto local para classificação de sentimentos baseados em aspectos (por exemplo, LCF-Bert, 2019)

Classificação de polaridade do sentimento de aspecto e modelos de extração de termos de aspecto

1. Um modelo de aprendizado de várias tarefas para a classificação de polaridade de aspecto chinês e extração de termos de aspecto] (por exemplo, Fast-LCF-ATEPC, 2020)
2. (ARXIV) Um modelo de aprendizado de várias tarefas para a classificação de polaridade de aspecto orientado ao chinês e extração de termos de aspecto

Se você está procurando a proposta original do foco do contexto local, aqui estão algumas introdução aqui.

Citação

 @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 }
}

Contribuição

Este repositório é desenvolvido e mantido por Heng Yang (Yangheng95@github), com grande contribuição dos pesquisadores da comunidade. Esperamos que você possa nos ajudar a melhorar esse projeto, e suas contribuições são bem -vindas. Você pode fazer uma contribuição de várias maneiras, incluindo:

• Compartilhe seu conjunto de dados personalizado em Pyabsa e Absadatasets
• Integra seus modelos em Pyabsa. (Você pode compartilhar seus modelos, seja ou não baseado em Pyabsa. Se você estiver interessado, nós o ajudaremos)
• Levante um relatório de bug enquanto você usa Pyabsa ou revise o código (Pyabsa é um projeto individual impulsionado pelo entusiasmo, para que sua ajuda seja necessária)
• Dê -nos alguns conselhos sobre o design/refator de recursos (você pode aconselhar para melhorar algum recurso)
• Correto/reescrever algumas mensagens de erro ou comentário de código (os comentários não são escritos pelo falante nativo de inglês, você pode nos ajudar a melhorar os documentos)
• Crie um exemplo de script em uma situação específica (como especificar um modelo de spacy, tipo de bert pré-treinado, alguns hiper-parâmetros)
• Estrela este repositório para mantê -lo ativo

Licença

A Pyabsa é liberada sob licença do MIT, cite este repositório (ou papéis) ou anexe as informações do autor em seu trabalho (repositório, blog, produto, etc.)