PyABSA скачать - скачать исходный код PyABSA

PyABSA

Питон

Release two more ABSA subtasks

Скачать

Pyabsa: модульная структура для воспроизводимого анализа настроений на основе аспектов (Paper)

Всем привет! Пожалуйста, смотрите в этот репо, если это поможет вам! Каждая звезда помогает Пьябсе идти дальше, большое спасибо. Pyabsa-это бесплатный инструмент для всех и с открытым исходным кодом для всех, но, пожалуйста, не забудьте прикрепить (неформальную или формальную) информацию о авторе и адреса проекта в ваших работах, продуктах и публикациях и т. Д.

Попробуйте наши демонстрации в пространстве объятий

Помимо бумаги, есть две новые функции в Pyabsa: аспекты настроения триплета и аспект четырехкратного извлечения. Мы развернули демонстрации в пространстве для объятий, вы можете попробовать их в Интернете.

Аспект настроений в четырехкратном извлечении (английский) Новая функция
Аспект настроений триплета (английский) Новая функция
(Грейо) Классификация аспектов и классификация настроений (английский, китайский, арабский, голландский, французский, русский, испанский, турецкий и т. Д.)
(Прототип) Классификация аспекта извлечения и настроения (английский, китайский, арабский, голландский, французский, русский, испанский, турецкий и т. Д.)
方面术语提取和情感分类（中文 и т. Д.)
Классификация настроений на основе аспектов (многоязычная) (английский, китайский и т. Д.)

Примеры использования

Мы подготовили много примеров для разных задач. Пожалуйста, обратитесь к примерам для получения дополнительной информации об использовании.

Установка

Установите через PIP

Чтобы использовать Pyabsa, установите последнюю версию из PIP или исходный код:

pip install -U pyabsa

Установите через источник

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

Быстрое начало

Извлечь аспекты терминов и классифицировать настроения

 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 )

Анализ настроений на основе аспектов

 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 )

Аннотация набора данных и обучение модели

Пожалуйста, обратитесь к документации: документация Pyabsa. Если у вас есть какие -либо вопросы о документах, пожалуйста, не стесняйтесь поднять проблему. Кроме того, вы можете присоединиться, чтобы улучшить документы.

Уведомление

Этот репозиторий основан на наших статьях для исследований ABSA. Вот документы, которые вы можете цитировать или обратиться к вашим реализациям:

Аспекты модели классификации полярности настроения

Вернуться к реальности: использование моделирования, управляемого шаблоном, чтобы обеспечить доступное обучение зависимости от настроений (например, Fast-LSA, 2020)
Обучение для зависимых от целевых настроений на основе локального встраивания контекста (например, LCA-Net, 2020)
LCF: локальный контекстный механизм фокусировки для классификации настроений на основе аспектов (например, LCF-Bert, 2019)

Аспекты настроения классификации полярности и аспекта модели извлечения

Многозадачная модель обучения для классификации полярности аспектов и извлечения аспектов и извлечения аспектов] (например, Fast-LCF-ATEPC, 2020)
(ARXIV) Многозадачная модель обучения для классификации полярности аспектов и извлечения аспектов и извлечения аспектов

Если вы ищете оригинальное предложение локального контекста, вот некоторое введение здесь.

Цитирование

 @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 }
}

Вклад

Этот репозиторий разрабатывается и поддерживается Хенгом Янгом (Yangheng95@github), с большим вкладом исследователей сообщества. Мы ожидаем, что вы сможете помочь нам улучшить этот проект, и ваш вклад приветствуются. Вы можете внести вклад во многих отношениях, включая:

Поделитесь своим пользовательским набором данных в Pyabsa и Absadatasets
Интегрирует ваши модели в Pyabsa. (Вы можете поделиться своими моделями, независимо от того, основано ли это или нет на Pyabsa. Если вам интересно, мы поможем вам)
Поднимите отчет об ошибках, пока вы используете Pyabsa или просмотрите код (Pyabsa - это отдельный проект, основанный на энтузиазме, поэтому ваша помощь необходима)
Дайте нам несколько советов о дизайне/рефакторе функций (вы можете посоветовать улучшить некоторые функции)
Исправить/переписать некоторые ошибки или комментарий кода (комментарии не написаны носителем английского языка, вы можете помочь нам улучшить документы)
Создайте пример сценария в конкретной ситуации (например, указать модель Spacy, тип предварительного берта, некоторые гиперпараметры)
Светь этот репозиторий, чтобы сохранить его активным

Лицензия

Pyabsa выпускается по лицензии MIT, пожалуйста, цитируйте это репо (или документы) или прикрепите информацию автора в вашу работу (хранилище, блог, продукт и т. Д.)

Расширять

Дополнительная информация