HarvestText
V0.8
HarvestText: ชุดเครื่องมือสำหรับการขุดข้อความและการประมวลผลล่วงหน้า
เอกสาร
ซิงโครไนซ์บน gitHub และรหัสคลาวด์ gitee หากคุณเรียกดู/ดาวน์โหลดบน GitHub คุณสามารถไปที่ Code Cloud เพื่อทำงาน
HarvestText เป็นไลบรารีที่มุ่งเน้นไปที่วิธีการกำกับดูแล (อ่อนแอ) ที่รวมความรู้โดเมน (เช่นประเภทนามแฝง) เพื่อประมวลผลและวิเคราะห์ข้อความโดเมนเฉพาะอย่างง่ายๆและมีประสิทธิภาพ มันเหมาะสำหรับการประมวลผลข้อความล่วงหน้าและงานการวิเคราะห์เชิงสำรวจเบื้องต้นและมีค่าแอปพลิเคชันที่เป็นไปได้ในการวิเคราะห์นวนิยายข้อความออนไลน์วรรณกรรมมืออาชีพและสาขาอื่น ๆ
ใช้กรณี:
[หมายเหตุ: ไลบรารีนี้เสร็จสิ้นการแบ่งส่วนคำและการวิเคราะห์ความเชื่อมั่นและใช้ Matplotlib สำหรับการสร้างภาพข้อมูลเท่านั้น]
readme นี้มีตัวอย่างทั่วไปของฟังก์ชั่นต่าง ๆ การใช้งานโดยละเอียดของฟังก์ชั่นบางอย่างสามารถพบได้ในเอกสาร:
เอกสาร
ฟังก์ชั่นเฉพาะมีดังนี้:
สารบัญ:
ติดตั้งก่อนอื่นใช้ pip
pip install --upgrade harvesttextหรือป้อนไดเรกทอรีที่ตั้งค่า py และจากนั้นบรรทัดคำสั่ง:
python setup.py installจากนั้นในรหัส:
from harvesttext import HarvestText
ht = HarvestText ()คุณสามารถเรียกอินเทอร์เฟซการทำงานของไลบรารีนี้
หมายเหตุ: ฟังก์ชั่นบางอย่างต้องการการติดตั้งไลบรารีเพิ่มเติม แต่การติดตั้งอาจล้มเหลวดังนั้นโปรดติดตั้งด้วยตนเองหากจำเป็น
# 部分英语功能
pip install pattern
# 命名实体识别、句法分析等功能，需要python <= 3.8
pip install pyhanlpให้หน่วยงานบางอย่างและคำพ้องความหมายที่เป็นไปได้ของพวกเขารวมถึงประเภทที่สอดคล้องกันของเอนทิตี เข้าสู่ระบบลงในพจนานุกรมแบ่งออกเป็นอันดับแรกเมื่อแยกคำและใช้ประเภทที่เกี่ยวข้องเป็นส่วนหนึ่งของคำพูด เอนทิตีทั้งหมดและที่ตั้งของพวกเขาในคลังข้อมูลสามารถแยกได้แยกกัน:
para = "上港的武磊和恒大的郜林，谁是中国最好的前锋？那当然是武磊武球王了，他是射手榜第一，原来是弱点的单刀也有了进步"
entity_mention_dict = { '武磊' :[ '武磊' , '武球王' ], '郜林' :[ '郜林' , '郜飞机' ], '前锋' :[ '前锋' ], '上海上港' :[ '上港' ], '广州恒大' :[ '恒大' ], '单刀球' :[ '单刀' ]}
entity_type_dict = { '武磊' : '球员' , '郜林' : '球员' , '前锋' : '位置' , '上海上港' : '球队' , '广州恒大' : '球队' , '单刀球' : '术语' }
ht . add_entities ( entity_mention_dict , entity_type_dict )
print ( " n Sentence segmentation" )
print ( ht . seg ( para , return_sent = True )) # return_sent=False时，则返回词语列表ใครคือสิ่งที่ดีที่สุดในประเทศจีนรวมถึง Wu Lei ของ Shanghai Sipg และ Gao Lin แห่ง Evergrande? แน่นอนว่ามันคือ Wu Lei ราชาแห่งวูบอล เขาเป็นคนแรกในรายชื่อนักกีฬา ปรากฎว่าดาบเดี่ยวที่อ่อนแอก็มีความคืบหน้าเช่นกัน
การใช้เครื่องมือแบ่งส่วนคำแบบดั้งเดิมสามารถแยก "Wuqiong King" เป็น "Wuqiong King" ได้อย่างง่ายดาย
ส่วนหนึ่งของคำอธิบายประกอบคำพูดรวมถึงประเภทพิเศษที่ระบุ
print ( " n POS tagging with entity types" )
for word , flag in ht . posseg ( para ):
print ( "%s:%s" % ( word , flag ), end = " " )SIPG: ทีม: UJ Wu Lei: ผู้เล่นและ: C Evergrande: ทีม: UJ Gao Lin: ผู้เล่น,: X Who: R คือ: V China: NS Best: A: UJ Forward: ตำแหน่ง? : x ที่: r แน่นอน: d คือ: v wu lei: ผู้เล่น wu qiu king: ผู้เล่น: ul ,: x he: r คือ: v ผู้ทำคะแนน V: n แรก: m ,: x เดิม: d คือ: v อ่อนแอ: n: uj ดาบเดียว: นอกจากนี้
for span , entity in ht . entity_linking ( para ):
print ( span , entity )[0, 2] ('Shanghai Sipg', '# team#') [3, 5] ('wu lei', '# player#') [6, 8] ('Guangzhou Evergrande', '# team#') [9, 11] ('Gao Lin' [28, 31] ('wu lei', '# player#') [47, 49] ('ลูกบอลเดี่ยวบนหนึ่ง-หนึ่ง', '# term#')
ที่นี่การเปลี่ยนแปลงของ "Wuqiu King" เป็นคำมาตรฐาน "Wu Lei" สามารถอำนวยความสะดวกในการทำงานทางสถิติแบบครบวงจร
ประโยค:
print ( ht . cut_sentences ( para ))['ใครคือสิ่งที่ดีที่สุดในประเทศจีนจากเซี่ยงไฮ้ Sipg และ Gao Lin จาก Evergrande? ', แน่นอนว่ามันคือ Wu Football King ของ Wu Lei เขาเป็นคนแรกในรายชื่อนักกีฬา ปรากฎว่าดาบเดี่ยวที่อ่อนแอก็มีความคืบหน้า ']
หากไม่มีพจนานุกรมอยู่ในมือคุณอาจดูว่าพจนานุกรมโดเมนในทรัพยากรในตัวของห้องสมุดนี้เหมาะสำหรับความต้องการของคุณหรือไม่
หากมีหลายหน่วยงานที่เป็นไปได้สำหรับชื่อเดียวกัน ("Li na เล่นบอลและการร้องเพลง Li na ไม่ใช่บุคคลเดียวกัน") คุณสามารถตั้งค่า keep_all=True เพื่อรักษาผู้สมัครหลายคน คุณสามารถใช้กลยุทธ์อื่น ๆ เพื่อ disambiguate ในภายหลังดู el_keep_all ()
หากมีเอนทิตีจำนวนมากเกินไปที่เชื่อมต่อกันซึ่งบางส่วนไม่มีเหตุผลอย่างชัดเจนกลยุทธ์บางอย่างสามารถใช้ในการกรองได้ นี่คือตัวอย่าง filter_el_with_rule ()
ห้องสมุดนี้ยังสามารถใช้กลยุทธ์พื้นฐานบางอย่างเพื่อจัดการกับงาน disambiguation เอนทิตีที่ซับซ้อน (เช่นความหมายหลายอย่างของคำ ["ครู" หมายถึง "ครู" หรือ "ครู B"?] และคำสมัครที่ทับซ้อนกัน [นายกเทศมนตรี XX/Jiang YY? สำหรับรายละเอียดคุณสามารถดู Linking_strategy ()
คุณสามารถประมวลผลอักขระพิเศษในข้อความหรือลบรูปแบบพิเศษบางอย่างที่คุณไม่ต้องการปรากฏในข้อความ
รวมถึง: @, emoji บน Weibo; URL; อีเมล; อักขระพิเศษในรหัส HTML; อักขระพิเศษใน %20 ใน URL; จีนดั้งเดิมเป็นภาษาจีน
ตัวอย่างมีดังนี้:
print ( "各种清洗文本" )
ht0 = HarvestText ()
# 默认的设置可用于清洗微博文本
text1 = "回复@钱旭明QXM:[嘻嘻][嘻嘻] //@钱旭明QXM:杨大哥[good][good]"
print ( "清洗微博【@和表情符等】" )
print ( "原：" , text1 )
print ( "清洗后：" , ht0 . clean_text ( text1 ))各种清洗文本
清洗微博【@和表情符等】
原： 回复@钱旭明QXM:[嘻嘻][嘻嘻] //@钱旭明QXM:杨大哥[good][good]
清洗后： 杨大哥
# URL的清理
text1 = "【#赵薇#：正筹备下一部电影 但不是青春片....http://t.cn/8FLopdQ"
print ( "清洗网址URL" )
print ( "原：" , text1 )
print ( "清洗后：" , ht0 . clean_text ( text1 , remove_url = True ))清洗网址URL
原： 【#赵薇#：正筹备下一部电影 但不是青春片....http://t.cn/8FLopdQ
清洗后： 【#赵薇#：正筹备下一部电影 但不是青春片....
# 清洗邮箱
text1 = "我的邮箱是[email protected]，欢迎联系"
print ( "清洗邮箱" )
print ( "原：" , text1 )
print ( "清洗后：" , ht0 . clean_text ( text1 , email = True ))清洗邮箱
原： 我的邮箱是[email protected]，欢迎联系
清洗后： 我的邮箱是，欢迎联系
# 处理URL转义字符
text1 = "www.%E4%B8%AD%E6%96%87%20and%20space.com"
print ( "URL转正常字符" )
print ( "原：" , text1 )
print ( "清洗后：" , ht0 . clean_text ( text1 , norm_url = True , remove_url = False )) URL转正常字符
原： www.%E4%B8%AD%E6%96%87%20and%20space.com
清洗后： www.中文 and space.com
text1 = "www.中文 and space.com"
print ( "正常字符转URL[含有中文和空格的request需要注意]" )
print ( "原：" , text1 )
print ( "清洗后：" , ht0 . clean_text ( text1 , to_url = True , remove_url = False ))正常字符转URL[含有中文和空格的request需要注意]
原： www.中文 and space.com
清洗后： www.%E4%B8%AD%E6%96%87%20and%20space.com
# 处理HTML转义字符
text1 = "<a c> ''"
print ( "HTML转正常字符" )
print ( "原：" , text1 )
print ( "清洗后：" , ht0 . clean_text ( text1 , norm_html = True )) HTML转正常字符
原： <a c> ''
清洗后： <a c> ''
# 繁体字转简体
text1 = "心碎誰買單"
print ( "繁体字转简体" )
print ( "原：" , text1 )
print ( "清洗后：" , ht0 . clean_text ( text1 , t2s = True ))繁体字转简体
原： 心碎誰買單
清洗后： 心碎谁买单
# markdown超链接提取文本
text1 = "欢迎使用[HarvestText : A Toolkit for Text Mining and Preprocessing](https://github.com/blmoistawinde/HarvestText)这个库"
print ( "markdown超链接提取文本" )
print ( "原：" , text1 )
print ( "清洗后：" , ht0 . clean_text ( text1 , t2s = True )) markdown超链接提取文本
原： 欢迎使用[HarvestText : A Toolkit for Text Mining and Preprocessing](https://github.com/blmoistawinde/HarvestText)这个库
清洗后： 欢迎使用HarvestText : A Toolkit for Text Mining and Preprocessing这个库
ค้นหาชื่อของบุคคลสถานที่องค์กร ฯลฯ ในประโยค ใช้การใช้งานอินเทอร์เฟซ Pyhanlp
ht0 = HarvestText ()
sent = "上海上港足球队的武磊是中国最好的前锋。"
print ( ht0 . named_entity_recognition ( sent )) {'上海上港足球队': '机构名', '武磊': '人名', '中国': '地名'}
วิเคราะห์การปรับเปลี่ยนวัตถุที่ได้รับการรับรองและความสัมพันธ์ทางไวยากรณ์อื่น ๆ ของแต่ละคำในคำสั่ง (รวมถึงเอนทิตีที่เชื่อมโยงกับ) และแยกเหตุการณ์ที่เป็นไปได้ ใช้การใช้งานอินเทอร์เฟซ Pyhanlp
ht0 = HarvestText ()
para = "上港的武磊武球王是中国最好的前锋。"
entity_mention_dict = { '武磊' : [ '武磊' , '武球王' ], "上海上港" :[ "上港" ]}
entity_type_dict = { '武磊' : '球员' , "上海上港" : "球队" }
ht0 . add_entities ( entity_mention_dict , entity_type_dict )
for arc in ht0 . dependency_parse ( para ):
print ( arc )
print ( ht0 . triple_extraction ( para )) [0, '上港', '球队', '定中关系', 3]
[1, '的', 'u', '右附加关系', 0]
[2, '武磊', '球员', '定中关系', 3]
[3, '武球王', '球员', '主谓关系', 4]
[4, '是', 'v', '核心关系', -1]
[5, '中国', 'ns', '定中关系', 8]
[6, '最好', 'd', '定中关系', 8]
[7, '的', 'u', '右附加关系', 6]
[8, '前锋', 'n', '动宾关系', 4]
[9, '。', 'w', '标点符号', 4]
print ( ht0 . triple_extraction ( para )) [['上港武磊武球王', '是', '中国最好前锋']]
แก้ไขในเวอร์ชัน v0.7 ใช้ความอดทนเพื่อรองรับการตรวจสอบพินอินเดียวกัน
คำเชื่อมโยงในคำสั่งที่อาจเป็นเอนทิตีที่รู้จัก (มีข้อผิดพลาดหนึ่งอักขระหรือพินอิน) ไปยังเอนทิตีที่เกี่ยวข้อง
def entity_error_check ():
ht0 = HarvestText ()
typed_words = { "人名" :[ "武磊" ]}
ht0 . add_typed_words ( typed_words )
sent0 = "武磊和吴磊拼音相同"
print ( sent0 )
print ( ht0 . entity_linking ( sent0 , pinyin_tolerance = 0 ))
"""
武磊和吴磊拼音相同
[([0, 2], ('武磊', '#人名#')), [(3, 5), ('武磊', '#人名#')]]
"""
sent1 = "武磊和吴力只差一个拼音"
print ( sent1 )
print ( ht0 . entity_linking ( sent1 , pinyin_tolerance = 1 ))
"""
武磊和吴力只差一个拼音
[([0, 2], ('武磊', '#人名#')), [(3, 5), ('武磊', '#人名#')]]
"""
sent2 = "武磊和吴磊只差一个字"
print ( sent2 )
print ( ht0 . entity_linking ( sent2 , char_tolerance = 1 ))
"""
武磊和吴磊只差一个字
[([0, 2], ('武磊', '#人名#')), [(3, 5), ('武磊', '#人名#')]]
"""
sent3 = "吴磊和吴力都可能是武磊的代称"
print ( sent3 )
print ( ht0 . get_linking_mention_candidates ( sent3 , pinyin_tolerance = 1 , char_tolerance = 1 ))
"""
吴磊和吴力都可能是武磊的代称
('吴磊和吴力都可能是武磊的代称', defaultdict(<class 'list'>, {(0, 2): {'武磊'}, (3, 5): {'武磊'}}))
"""ห้องสมุดนี้ใช้วิธีการพจนานุกรมอารมณ์เพื่อทำการวิเคราะห์อารมณ์และเรียนรู้แนวโน้มทางอารมณ์ของคำอื่น ๆ โดยอัตโนมัติจากคลังข้อมูลโดยให้คำศัพท์บวกและลบมาตรฐานจำนวนเล็กน้อย ("คำเมล็ดพันธุ์") เพื่อสร้างพจนานุกรมอารมณ์ การรวมและคำพูดทางอารมณ์โดยเฉลี่ยในข้อดีใช้เพื่อตัดสินแนวโน้มทางอารมณ์ของประโยค:
print ( " n sentiment dictionary" )
sents = [ "武磊威武，中超第一射手！" ,
"武磊强，中超最第一本土球员！" ,
"郜林不行，只会抱怨的球员注定上限了" ,
"郜林看来不行，已经到上限了" ]
sent_dict = ht . build_sent_dict ( sents , min_times = 1 , pos_seeds = [ "第一" ], neg_seeds = [ "不行" ])
print ( "%s:%f" % ( "威武" , sent_dict [ "威武" ]))
print ( "%s:%f" % ( "球员" , sent_dict [ "球员" ]))
print ( "%s:%f" % ( "上限" , sent_dict [ "上限" ]))พจนานุกรมความเชื่อมั่น: 1.000000 เครื่องเล่น: 0.000000 CAP: -1.0000000
print ( " n sentence sentiment" )
sent = "武球王威武，中超最强球员！"
print ( "%f:%s" % ( ht . analyse_sent ( sent ), sent ))0.600000: King of Martial Arts นั้นยิ่งใหญ่และเป็นผู้เล่นที่แข็งแกร่งที่สุดในจีน Super League!
หากคุณยังไม่ได้คิดว่าคำใดที่จะเลือกเป็น "คำเมล็ด" ไลบรารีนี้ยังมีทรัพยากรในตัวสำหรับพจนานุกรมอารมณ์ทั่วไปซึ่งเป็นตัวเลือกเริ่มต้นเมื่อไม่ได้ระบุคำทางอารมณ์และคุณยังสามารถเลือกได้ตามต้องการ
อัลกอริทึม SO-PMI ที่ใช้โดยค่าเริ่มต้นไม่มีข้อ จำกัด ด้านบนและล่างที่มีข้อ จำกัด ด้านอารมณ์ หากจำเป็นต้อง จำกัด เฉพาะช่วงเวลาเช่น [0,1] หรือ [-1,1] คุณสามารถปรับพารามิเตอร์สเกล ตัวอย่างมีดังนี้:
print ( " n sentiment dictionary using default seed words" )
docs = [ "张市筹设兴华实业公司外区资本家踊跃投资晋察冀边区兴华实业公司，自筹备成立以来，解放区内外企业界人士及一般商民，均踊跃认股投资" ,
"打倒万恶的资本家" ,
"该公司原定资本总额为二十五万万元，现已由各界分认达二十万万元，所属各厂、各公司亦募得股金一万万余元" ,
"连日来解放区以外各工商人士，投函向该公司询问经营性质与范围以及股东权限等问题者甚多，络绎抵此的许多资本家，于参观该公司所属各厂经营状况后，对民主政府扶助与奖励私营企业发展的政策，均极表赞同，有些资本家因款项未能即刻汇来，多向筹备处预认投资的额数。由平津来张的林明棋先生，一次即以现款入股六十余万元"
]
# scale: 将所有词语的情感值范围调整到[-1,1]
# 省略pos_seeds, neg_seeds,将采用默认的情感词典 get_qh_sent_dict()
print ( "scale= " 0-1 " , 按照最大为1，最小为0进行线性伸缩，0.5未必是中性" )
sent_dict = ht . build_sent_dict ( docs , min_times = 1 , scale = "0-1" )
print ( "%s:%f" % ( "赞同" , sent_dict [ "赞同" ]))
print ( "%s:%f" % ( "二十万" , sent_dict [ "二十万" ]))
print ( "%s:%f" % ( "万恶" , sent_dict [ "万恶" ]))
print ( "%f:%s" % ( ht . analyse_sent ( docs [ 0 ]), docs [ 0 ]))
print ( "%f:%s" % ( ht . analyse_sent ( docs [ 1 ]), docs [ 1 ])) sentiment dictionary using default seed words
scale="0-1", 按照最大为1，最小为0进行线性伸缩，0.5未必是中性
赞同:1.000000
二十万:0.153846
万恶:0.000000
0.449412:张市筹设兴华实业公司外区资本家踊跃投资晋察冀边区兴华实业公司，自筹备成立以来，解放区内外企业界人士及一般商民，均踊跃认股投资
0.364910:打倒万恶的资本家
print("scale="+-1", 在正负区间内分别伸缩，保留0作为中性的语义")
sent_dict = ht.build_sent_dict(docs,min_times=1,scale="+-1")
print("%s:%f" % ("赞同",sent_dict["赞同"]))
print("%s:%f" % ("二十万",sent_dict["二十万"]))
print("%s:%f" % ("万恶",sent_dict["万恶"]))
print("%f:%s" % (ht.analyse_sent(docs[0]), docs[0]))
print("%f:%s" % (ht.analyse_sent(docs[1]), docs[1]))
scale="+-1", 在正负区间内分别伸缩，保留0作为中性的语义
赞同:1.000000
二十万:0.000000
万恶:-1.000000
0.349305:张市筹设兴华实业公司外区资本家踊跃投资晋察冀边区兴华实业公司，自筹备成立以来，解放区内外企业界人士及一般商民，均踊跃认股投资
-0.159652:打倒万恶的资本家
คุณสามารถค้นหาเอกสารที่มีเอนทิตีที่เกี่ยวข้อง (และนามแฝง) จากรายการเอกสารและนับจำนวนเอกสารที่มีเอนทิตี ใช้โครงสร้างข้อมูลด้วยดัชนีคว่ำเพื่อทำการดึงข้อมูลอย่างรวดเร็ว
รหัสต่อไปนี้เป็นข้อความที่ตัดตอนมาจากกระบวนการเพิ่มเอนทิตี โปรดใช้ฟังก์ชั่นเช่น add_entities เพื่อเพิ่มเอนทิตีที่คุณต้องการให้ความสนใจแล้วดัชนีและค้นหา
docs = [ "武磊威武，中超第一射手！" ,
"郜林看来不行，已经到上限了。" ,
"武球王威武，中超最强前锋！" ,
"武磊和郜林，谁是中国最好的前锋？" ]
inv_index = ht . build_index ( docs )
print ( ht . get_entity_counts ( docs , inv_index )) # 获得文档中所有实体的出现次数
# {'武磊': 3, '郜林': 2, '前锋': 2}
print ( ht . search_entity ( "武磊" , docs , inv_index )) # 单实体查找
# ['武磊威武，中超第一射手！', '武球王威武，中超最强前锋！', '武磊和郜林，谁是中国最好的前锋？']
print ( ht . search_entity ( "武磊 郜林" , docs , inv_index )) # 多实体共现
# ['武磊和郜林，谁是中国最好的前锋？']
# 谁是最被人们热议的前锋？用这里的接口可以很简便地回答这个问题
subdocs = ht . search_entity ( "#球员# 前锋" , docs , inv_index )
print ( subdocs ) # 实体、实体类型混合查找
# ['武球王威武，中超最强前锋！', '武磊和郜林，谁是中国最好的前锋？']
inv_index2 = ht . build_index ( subdocs )
print ( ht . get_entity_counts ( subdocs , inv_index2 , used_type = [ "球员" ])) # 可以限定类型
# {'武磊': 2, '郜林': 1}(นำไปใช้โดยใช้ NetworkX) ใช้ความสัมพันธ์ระหว่างการเกิดขึ้นของ Word เพื่อสร้างความสัมพันธ์เครือข่ายระหว่างโครงสร้างกราฟระหว่างร่างกาย (กลับไปที่ประเภท NetworkX.Graph) สามารถใช้ในการสร้างเครือข่ายสังคมระหว่างตัวละคร ฯลฯ
# 在现有实体库的基础上随时新增，比如从新词发现中得到的漏网之鱼
ht . add_new_entity ( "颜骏凌" , "颜骏凌" , "球员" )
docs = [ "武磊和颜骏凌是队友" ,
"武磊和郜林都是国内顶尖前锋" ]
G = ht . build_entity_graph ( docs )
print ( dict ( G . edges . items ()))
G = ht . build_entity_graph ( docs , used_types = [ "球员" ])
print ( dict ( G . edges . items ()))รับเครือข่าย Word ที่มีศูนย์กลางอยู่ที่คำ ใช้บทแรกของสามอาณาจักรเป็นตัวอย่างในการสำรวจการเผชิญหน้าของตัวเอก Liu Bei (ต่อไปนี้เป็นรหัสหลักดูที่ build_word_go_graph ())
entity_mention_dict , entity_type_dict = get_sanguo_entity_dict ()
ht0 . add_entities ( entity_mention_dict , entity_type_dict )
sanguo1 = get_sanguo ()[ 0 ]
stopwords = get_baidu_stopwords ()
docs = ht0 . cut_sentences ( sanguo1 )
G = ht0 . build_word_ego_graph ( docs , "刘备" , min_freq = 3 , other_min_freq = 2 , stopwords = stopwords )
นี่คือมิตรภาพระหว่าง Liu, Guan และ Zhang ผู้สนับสนุนที่ Liu Bei เสียและประสบการณ์ของ Liu Bei ในการต่อสู้กับโจร
(ใช้งานโดยใช้ NetworkX) ใช้อัลกอริทึม TextTrank เพื่อรับประโยคตัวแทนที่แยกออกจากการรวบรวมเอกสารเป็นข้อมูลสรุป คุณสามารถตั้งค่าประโยคที่ลงโทษซ้ำหรือคุณสามารถตั้งค่าขีด จำกัด คำ (พารามิเตอร์ Maxlen):
print ( " n Text summarization" )
docs = [ "武磊威武，中超第一射手！" ,
"郜林看来不行，已经到上限了。" ,
"武球王威武，中超最强前锋！" ,
"武磊和郜林，谁是中国最好的前锋？" ]
for doc in ht . get_summary ( docs , topK = 2 ):
print ( doc )
print ( " n Text summarization(避免重复)" )
for doc in ht . get_summary ( docs , topK = 3 , avoid_repeat = True ):
print ( doc ) Text summarization
武球王威武，中超最强前锋！
武磊威武，中超第一射手！
Text summarization(避免重复)
武球王威武，中超最强前锋！
郜林看来不行，已经到上限了。
武磊和郜林，谁是中国最好的前锋？
ปัจจุบันมีอัลกอริทึมสองอย่างที่รวม textrank และ HarvestText เพื่อห่อหุ้ม Jieba และกำหนดค่าพารามิเตอร์และหยุด jieba_tfidf
ตัวอย่าง (ดูตัวอย่างที่สมบูรณ์):
# text为林俊杰《关键词》歌词
print ( "《关键词》里的关键词" )
kwds = ht . extract_keywords ( text , 5 , method = "jieba_tfidf" )
print ( "jieba_tfidf" , kwds )
kwds = ht . extract_keywords ( text , 5 , method = "textrank" )
print ( "textrank" , kwds ) 《关键词》里的关键词
jieba_tfidf ['自私', '慷慨', '落叶', '消逝', '故事']
textrank ['自私', '落叶', '慷慨', '故事', '位置']
CSL.IPYNB ให้อัลกอริทึมที่แตกต่างกันรวมถึงการเปรียบเทียบการใช้งานของไลบรารีนี้กับ TexTrank4ZH บนชุดข้อมูล CSL เนื่องจากมีชุดข้อมูลเพียงชุดเดียวและชุดข้อมูลจึงไม่เป็นมิตรกับอัลกอริทึมด้านบนประสิทธิภาพการทำงานสำหรับการอ้างอิงเท่านั้น
| อัลกอริทึม | p@5 | r@5 | f@5 |
|---|---|---|---|
| textrank4zh | 0.0836 | 0.1174 | 0.0977 |
| ht_texttransk | 0.0955 | 0.1342 | 0.1116 |
| ht_jieba_tfidf | 0.1035 | 0.1453 | 0.1209 |
ตอนนี้ทรัพยากรบางส่วนถูกรวมเข้าด้วยกันในห้องสมุดนี้เพื่ออำนวยความสะดวกในการใช้งานและสร้างการสาธิต
ทรัพยากรรวมถึง:
get_qh_sent_dict : พจนานุกรมฟรีและลบ Li Jun จากมหาวิทยาลัย Tsinghua รวบรวมจาก http://nlp.csai.tsinghua.edu.cn/site2/index.php/13-smsget_baidu_stopwords : baidu หยุดพจนานุกรมคำมาจากอินเทอร์เน็ต: https://wenku.baidu.com/view/98c46383e53a580216fcfed9.htmlget_qh_typed_words : พจนานุกรมโดเมนจาก tsinghua thunlp: http://thuocl.thunlp.org/ ทุกประเภท ['IT', '动物', '医药', '历史人名', '地名', '成语', '法律', '财经', '食物']get_english_senti_lexicon : พจนานุกรมทางอารมณ์ภาษาอังกฤษget_jieba_dict : (จำเป็นต้องดาวน์โหลด) พจนานุกรมความถี่ Jieba Wordนอกจากนี้ยังมีทรัพยากรพิเศษ - "ความโรแมนติกของสามอาณาจักร" รวมถึง:
คุณสามารถสำรวจสิ่งที่สามารถค้นพบที่น่าสนใจได้จากมัน?
def load_resources ():
from harvesttext . resources import get_qh_sent_dict , get_baidu_stopwords , get_sanguo , get_sanguo_entity_dict
sdict = get_qh_sent_dict () # {"pos":[积极词...],"neg":[消极词...]}
print ( "pos_words:" , list ( sdict [ "pos" ])[ 10 : 15 ])
print ( "neg_words:" , list ( sdict [ "neg" ])[ 5 : 10 ])
stopwords = get_baidu_stopwords ()
print ( "stopwords:" , list ( stopwords )[ 5 : 10 ])
docs = get_sanguo () # 文本列表，每个元素为一章的文本
print ( "三国演义最后一章末16字: n " , docs [ - 1 ][ - 16 :])
entity_mention_dict , entity_type_dict = get_sanguo_entity_dict ()
print ( "刘备 指称：" , entity_mention_dict [ "刘备" ])
print ( "刘备 类别：" , entity_type_dict [ "刘备" ])
print ( "蜀 类别：" , entity_type_dict [ "蜀" ])
print ( "益州 类别：" , entity_type_dict [ "益州" ])
load_resources () pos_words: ['宰相肚里好撑船', '查实', '忠实', '名手', '聪明']
neg_words: ['散漫', '谗言', '迂执', '肠肥脑满', '出卖']
stopwords: ['apart', '左右', '结果', 'probably', 'think']
三国演义最后一章末16字:
鼎足三分已成梦，后人凭吊空牢骚。
刘备 指称： ['刘备', '刘玄德', '玄德']
刘备 类别： 人名
蜀 类别： 势力
益州 类别： 州名
โหลดพจนานุกรมฟิลด์ Tsinghua และใช้คำหยุด
def using_typed_words ():
from harvesttext . resources import get_qh_typed_words , get_baidu_stopwords
ht0 = HarvestText ()
typed_words , stopwords = get_qh_typed_words (), get_baidu_stopwords ()
ht0 . add_typed_words ( typed_words )
sentence = "THUOCL是自然语言处理的一套中文词库，词表来自主流网站的社会标签、搜索热词、输入法词库等。"
print ( sentence )
print ( ht0 . posseg ( sentence , stopwords = stopwords ))
using_typed_words () THUOCL是自然语言处理的一套中文词库，词表来自主流网站的社会标签、搜索热词、输入法词库等。
[('THUOCL', 'eng'), ('自然语言处理', 'IT'), ('一套', 'm'), ('中文', 'nz'), ('词库', 'n'), ('词表', 'n'), ('来自', 'v'), ('主流', 'b'), ('网站', 'n'), ('社会', 'n'), ('标签', '财经'), ('搜索', 'v'), ('热词', 'n'), ('输入法', 'IT'), ('词库', 'n')]
คำบางคำได้รับประเภทพิเศษของมันในขณะที่คำเช่น "ใช่" ได้รับการคัดกรอง
ใช้ตัวบ่งชี้ทางสถิติบางอย่างเพื่อค้นหาคำศัพท์ใหม่จากข้อความจำนวนมาก (ไม่บังคับ) คำที่กำหนดระดับคุณภาพสามารถพบได้โดยการให้คำบางคำ (นั่นคืออย่างน้อยก็จะพบคำของเมล็ดพันธุ์ทั้งหมดในสถานที่ตั้งที่ตรงตามข้อกำหนดพื้นฐานบางอย่าง)
para = "上港的武磊和恒大的郜林，谁是中国最好的前锋？那当然是武磊武球王了，他是射手榜第一，原来是弱点的单刀也有了进步"
#返回关于新词质量的一系列信息，允许手工改进筛选(pd.DataFrame型)
new_words_info = ht . word_discover ( para )
#new_words_info = ht.word_discover(para, threshold_seeds=["武磊"])
new_words = new_words_info . index . tolist ()
print ( new_words )["Wu Lei"]
อัลกอริทึมใช้พารามิเตอร์เชิงประจักษ์เริ่มต้น หากคุณไม่พอใจกับจำนวนผลลัพธ์คุณสามารถตั้งค่า auto_param=False เพื่อปรับพารามิเตอร์ด้วยตัวเองและปรับจำนวนผลลัพธ์สุดท้าย พารามิเตอร์ที่เกี่ยวข้องมีดังนี้:
:param max_word_len: 允许被发现的最长的新词长度
:param min_freq: 被发现的新词，在给定文本中需要达到的最低频率
:param min_entropy: 被发现的新词，在给定文本中需要达到的最低左右交叉熵
:param min_aggregation: 被发现的新词，在给定文本中需要达到的最低凝聚度
ตัวอย่างเช่นหากคุณต้องการได้ผลลัพธ์มากกว่าค่าเริ่มต้น (ตัวอย่างเช่นคำใหม่บางคำไม่ได้ถูกค้นพบ) คุณสามารถควบคุมลงตามพารามิเตอร์เริ่มต้นและพารามิเตอร์เริ่มต้นต่อไปนี้:
min_entropy = np.log(length) / 10
min_freq = min(0.00005, 20.0 / length)
min_aggregation = np.sqrt(length) / 15
รายละเอียดอัลกอริทึมเฉพาะและความหมายของพารามิเตอร์อ้างอิง: http://www.matrix67.com/blog/archives/5044
ตามการอัปเดตข้อเสนอแนะ แต่เดิมยอมรับสตริงแยกต่างหากโดยค่าเริ่มต้น ตอนนี้ยังสามารถรับอินพุตรายการสตริงได้และจะถูกประกบกันโดยอัตโนมัติ
ตามการอัปเดตข้อเสนอแนะลำดับเริ่มต้นของความถี่คำสามารถเรียงลำดับได้ตามค่าเริ่มต้น นอกจากนี้คุณยังสามารถผ่านพารามิเตอร์ sort_by='score' เพื่อจัดเรียงตามคะแนนคุณภาพที่ครอบคลุม
คำใหม่จำนวนมากที่พบอาจเป็นคำหลักพิเศษในข้อความดังนั้นคำใหม่ที่พบสามารถลงชื่อเข้าใช้เพื่อให้ผู้มีส่วนร่วมที่ตามมาจะให้ความสำคัญกับคำเหล่านี้
def new_word_register ():
new_words = [ "落叶球" , "666" ]
ht . add_new_words ( new_words ) # 作为广义上的"新词"登录
ht . add_new_entity ( "落叶球" , mention0 = "落叶球" , type0 = "术语" ) # 作为特定类型登录
print ( ht . seg ( "这个落叶球踢得真是666" , return_sent = True ))
for word , flag in ht . posseg ( "这个落叶球踢得真是666" ):
print ( "%s:%s" % ( word , flag ), end = " " )ลูกใบที่ร่วงหล่นนี้จริงๆ 666
นี่: R Leaf Ball: Term Kick: V Get: UD จริง ๆ : D 666: คำใหม่
นอกจากนี้คุณยังสามารถใช้ กฎ พิเศษบางอย่างเพื่อค้นหาคำหลักที่จำเป็นและกำหนดโดยตรงกับประเภทเช่นทั้งหมดเป็นภาษาอังกฤษหรือมี pres และคำต่อท้ายที่เฉพาะเจาะจง ฯลฯ
# find_with_rules()
from harvesttext . match_patterns import UpperFirst , AllEnglish , Contains , StartsWith , EndsWith
text0 = "我喜欢Python，因为requests库很适合爬虫"
ht0 = HarvestText ()
found_entities = ht0 . find_entity_with_rule ( text0 , rulesets = [ AllEnglish ()], type0 = "英文名" )
print ( found_entities )
print ( ht0 . posseg ( text0 )) {'Python', 'requests'}
[('我', 'r'), ('喜欢', 'v'), ('Python', '英文名'), ('，', 'x'), ('因为', 'c'), ('requests', '英文名'), ('库', 'n'), ('很', 'd'), ('适合', 'v'), ('爬虫', 'n')]
ใช้อัลกอริทึมข้อความเพื่อแบ่งส่วนข้อความโดยอัตโนมัติโดยไม่มีเซ็กเมนต์หรือจัดระเบียบเพิ่มเติม/การส่งเยือนตามย่อหน้าที่มีอยู่
ht0 = HarvestText ()
text = """备受社会关注的湖南常德滴滴司机遇害案，将于1月3日9时许，在汉寿县人民法院开庭审理。此前，犯罪嫌疑人、19岁大学生杨某淇被鉴定为作案时患有抑郁症，为“有限定刑事责任能力”。
新京报此前报道，2019年3月24日凌晨，滴滴司机陈师傅，搭载19岁大学生杨某淇到常南汽车总站附近。坐在后排的杨某淇趁陈某不备，朝陈某连捅数刀致其死亡。事发监控显示，杨某淇杀人后下车离开。随后，杨某淇到公安机关自首，并供述称“因悲观厌世，精神崩溃，无故将司机杀害”。据杨某淇就读学校的工作人员称，他家有四口人，姐姐是聋哑人。
今日上午，田女士告诉新京报记者，明日开庭时间不变，此前已提出刑事附带民事赔偿，但通过与法院的沟通后获知，对方父母已经没有赔偿的意愿。当时按照人身死亡赔偿金计算共计80多万元，那时也想考虑对方家庭的经济状况。
田女士说，她相信法律，对最后的结果也做好心理准备。对方一家从未道歉，此前庭前会议中，对方提出了嫌疑人杨某淇作案时患有抑郁症的辩护意见。另具警方出具的鉴定书显示，嫌疑人作案时有限定刑事责任能力。
新京报记者从陈师傅的家属处获知，陈师傅有两个儿子，大儿子今年18岁，小儿子还不到5岁。“这对我来说是一起悲剧，对我们生活的影响，肯定是很大的”，田女士告诉新京报记者，丈夫遇害后，他们一家的主劳动力没有了，她自己带着两个孩子和两个老人一起过，“生活很艰辛”，她说，“还好有妹妹的陪伴，现在已经好些了。”"""
print ( "原始文本[5段]" )
print ( text + " n " )
print ( "预测文本[手动设置分3段]" )
predicted_paras = ht0 . cut_paragraphs ( text , num_paras = 3 )
print ( " n " . join ( predicted_paras ) + " n " )原始文本[5段]
备受社会关注的湖南常德滴滴司机遇害案，将于1月3日9时许，在汉寿县人民法院开庭审理。此前，犯罪嫌疑人、19岁大学生杨某淇被鉴定为作案时患有抑郁症，为“有限定刑事责任能力”。
新京报此前报道，2019年3月24日凌晨，滴滴司机陈师傅，搭载19岁大学生杨某淇到常南汽车总站附近。坐在后排的杨某淇趁陈某不备，朝陈某连捅数刀致其死亡。事发监控显示，杨某淇杀人后下车离开。随后，杨某淇到公安机关自首，并供述称“因悲观厌世，精神崩溃，无故将司机杀害”。据杨某淇就读学校的工作人员称，他家有四口人，姐姐是聋哑人。
今日上午，田女士告诉新京报记者，明日开庭时间不变，此前已提出刑事附带民事赔偿，但通过与法院的沟通后获知，对方父母已经没有赔偿的意愿。当时按照人身死亡赔偿金计算共计80多万元，那时也想考虑对方家庭的经济状况。
田女士说，她相信法律，对最后的结果也做好心理准备。对方一家从未道歉，此前庭前会议中，对方提出了嫌疑人杨某淇作案时患有抑郁症的辩护意见。另具警方出具的鉴定书显示，嫌疑人作案时有限定刑事责任能力。
新京报记者从陈师傅的家属处获知，陈师傅有两个儿子，大儿子今年18岁，小儿子还不到5岁。“这对我来说是一起悲剧，对我们生活的影响，肯定是很大的”，田女士告诉新京报记者，丈夫遇害后，他们一家的主劳动力没有了，她自己带着两个孩子和两个老人一起过，“生活很艰辛”，她说，“还好有妹妹的陪伴，现在已经好些了。”
预测文本[手动设置分3段]
备受社会关注的湖南常德滴滴司机遇害案，将于1月3日9时许，在汉寿县人民法院开庭审理。此前，犯罪嫌疑人、19岁大学生杨某淇被鉴定为作案时患有抑郁症，为“有限定刑事责任能力”。
新京报此前报道，2019年3月24日凌晨，滴滴司机陈师傅，搭载19岁大学生杨某淇到常南汽车总站附近。坐在后排的杨某淇趁陈某不备，朝陈某连捅数刀致其死亡。事发监控显示，杨某淇杀人后下车离开。随后，杨某淇到公安机关自首，并供述称“因悲观厌世，精神崩溃，无故将司机杀害”。据杨某淇就读学校的工作人员称，他家有四口人，姐姐是聋哑人。
今日上午，田女士告诉新京报记者，明日开庭时间不变，此前已提出刑事附带民事赔偿，但通过与法院的沟通后获知，对方父母已经没有赔偿的意愿。当时按照人身死亡赔偿金计算共计80多万元，那时也想考虑对方家庭的经济状况。田女士说，她相信法律，对最后的结果也做好心理准备。对方一家从未道歉，此前庭前会议中，对方提出了嫌疑人杨某淇作案时患有抑郁症的辩护意见。另具警方出具的鉴定书显示，嫌疑人作案时有限定刑事责任能力。新京报记者从陈师傅的家属处获知，陈师傅有两个儿子，大儿子今年18岁，小儿子还不到5岁。“这对我来说是一起悲剧，对我们生活的影响，肯定是很大的”，田女士告诉新京报记者，丈夫遇害后，他们一家的主劳动力没有了，她自己带着两个孩子和两个老人一起过，“生活很艰辛”，她说，“还好有妹妹的陪伴，现在已经好些了。”
ซึ่งแตกต่างจากในกระดาษต้นฉบับผลลัพธ์ประโยคถูกใช้เป็นหน่วยพื้นฐานและการใช้อักขระไม่ใช่หมายเลขคงที่ซึ่งชัดเจนกว่าความหมายมากกว่าและบันทึกปัญหาของการตั้งค่าพารามิเตอร์ ดังนั้นอัลกอริทึมภายใต้การตั้งค่าเริ่มต้นไม่รองรับข้อความโดยไม่มีเครื่องหมายวรรคตอน อย่างไรก็ตามคุณสามารถใช้การตั้งค่าของกระดาษต้นฉบับได้โดยการตั้งค่า seq_chars เป็นจำนวนเต็มบวกเพื่อแบ่งส่วนข้อความโดยไม่มีเครื่องหมายวรรคตอน หากไม่มีการห่อย่อหน้าโปรดตั้งค่า align_boundary=False ตัวอย่างเช่นดู cut_paragraph() ใน examples/basic.py :
print ( "去除标点以后的分段" )
text2 = extract_only_chinese ( text )
predicted_paras2 = ht0 . cut_paragraphs ( text2 , num_paras = 5 , seq_chars = 10 , align_boundary = False )
print ( " n " . join ( predicted_paras2 ) + " n " )去除标点以后的分段
备受社会关注的湖南常德滴滴司机遇害案将于月日时许在汉寿县人民法院开庭审理此前犯罪嫌疑人岁大学生杨某淇被鉴定为作案时患有抑郁症为有
限定刑事责任能力新京报此前报道年
月日凌晨滴滴司机陈师
傅搭载岁大学生杨某淇到常南汽车总站附近坐在后排的杨某淇趁陈某不备朝陈某连捅数刀致其死亡事发监控显示杨某淇杀人后下车离开随后杨某淇
到公安机关自首并供述称因悲观厌世精神崩溃无故将司机杀害据杨某淇就读学校的工作人员称他家有四口人姐姐是聋哑人今日上午田女士告诉新京
报记者明日开庭时间不变此前已提出刑事附带民事赔偿但通过与法院的沟通后获知对方父母已经没有赔偿的意愿当时按照人身死亡赔偿金计算共计
多万元那时也想考虑对方家庭的经济状况田女士说她相信法律对最后的结果也做好心理准备对方一家从未道歉此前庭前会议中对方提
出了嫌疑人杨某淇作案时患有抑郁症的辩护意见另具警方出具的鉴定书显示嫌疑人作案时有限定刑事责任能力新京
报记者从陈师傅的家属处获知陈师傅有两个儿子大儿子今年岁小儿子还不到岁这对我来说是一起悲剧对我们生活的影响肯定是很大的田女士告诉新
京报记者丈夫遇害后他们一家的主劳动力没有了她自己带着两个孩子和两个老人一起过生活很艰辛她说还好有妹妹的陪伴现在已经好些了
โมเดลสามารถบันทึกไว้ในเครื่องและอ่านมัลติเพล็กซ์หรือบันทึกของโมเดลปัจจุบันสามารถกำจัดได้
from harvesttext import loadHT , saveHT
para = "上港的武磊和恒大的郜林，谁是中国最好的前锋？那当然是武磊武球王了，他是射手榜第一，原来是弱点的单刀也有了进步"
saveHT ( ht , "ht_model1" )
ht2 = loadHT ( "ht_model1" )
# 消除记录
ht2 . clear ()
print ( "cut with cleared model" )
print ( ht2 . seg ( para ))การใช้งานและตัวอย่างที่เฉพาะเจาะจงอยู่ใน naivekgqa.py และแผนผังบางอย่างได้รับด้านล่าง:
QA = NaiveKGQA ( SVOs , entity_type_dict = entity_type_dict )
questions = [ "你好" , "孙中山干了什么事？" , "谁发动了什么？" , "清政府签订了哪些条约？" ,
"英国与鸦片战争的关系是什么？" , "谁复辟了帝制？" ]
for question0 in questions :
print ( "问：" + question0 )
print ( "答：" + QA . answer ( question0 ))问：孙中山干了什么事？
答：就任临时大总统、发动护法运动、让位于袁世凯
问：谁发动了什么？
答：英法联军侵略中国、国民党人二次革命、英国鸦片战争、日本侵略朝鲜、孙中山护法运动、法国侵略越南、英国侵略中国西藏战争、慈禧太后戊戌政变
问：清政府签订了哪些条约？
答：北京条约、天津条约
问：英国与鸦片战争的关系是什么？
答：发动
问：谁复辟了帝制？
答：袁世凯
ห้องสมุดนี้ส่วนใหญ่ได้รับการออกแบบมาเพื่อรองรับการขุดข้อมูลเป็นภาษาจีน แต่ได้เพิ่มการสนับสนุนภาษาอังกฤษจำนวนเล็กน้อยรวมถึงการวิเคราะห์ความเชื่อมั่น
ในการใช้ฟังก์ชั่นเหล่านี้คุณต้องสร้างวัตถุเก็บเกี่ยวที่มีรูปแบบภาษาอังกฤษพิเศษ
# ♪ "Until the Day" by JJ Lin
test_text = """
In the middle of the night.
Lonely souls travel in time.
Familiar hearts start to entwine.
We imagine what we'll find, in another life.
""" . lower ()
ht_eng = HarvestText ( language = "en" )
sentences = ht_eng . cut_sentences ( test_text ) # 分句
print ( " n " . join ( sentences ))
print ( ht_eng . seg ( sentences [ - 1 ])) # 分词[及词性标注]
print ( ht_eng . posseg ( sentences [ 0 ], stopwords = { "in" }))
# 情感分析
sent_dict = ht_eng . build_sent_dict ( sentences , pos_seeds = [ "familiar" ], neg_seeds = [ "lonely" ],
min_times = 1 , stopwords = { 'in' , 'to' })
print ( "sentiment analysis" )
for sent0 in sentences :
print ( sent0 , "%.3f" % ht_eng . analyse_sent ( sent0 ))
# 自动分段
print ( "Segmentation" )
print ( " n " . join ( ht_eng . cut_paragraphs ( test_text , num_paras = 2 )))
# 情感分析也提供了一个内置英文词典资源
# from harvesttext.resources import get_english_senti_lexicon
# sent_lexicon = get_english_senti_lexicon()
# sent_dict = ht_eng.build_sent_dict(sentences, pos_seeds=sent_lexicon["pos"], neg_seeds=sent_lexicon["neg"], min_times=1) in the middle of the night.
lonely souls travel in time.
familiar hearts start to entwine.
we imagine what we'll find, in another life.
['we', 'imagine', 'what', 'we', "'ll", 'find', ',', 'in', 'another', 'life', '.']
[('the', 'DET'), ('middle', 'NOUN'), ('of', 'ADP'), ('the', 'DET'), ('night', 'NOUN'), ('.', '.')]
sentiment analysis
in the middle of the night. 0.000
lonely souls travel in time. -1.600
familiar hearts start to entwine. 1.600
we imagine what we'll find, in another life. 0.000
Segmentation
in the middle of the night. lonely souls travel in time. familiar hearts start to entwine.
we imagine what we'll find, in another life.
ปัจจุบันการสนับสนุนภาษาอังกฤษยังไม่สมบูรณ์แบบ ยกเว้นฟังก์ชั่นในตัวอย่างข้างต้นฟังก์ชั่นอื่น ๆ จะไม่รับประกันว่าจะใช้
หากคุณพบว่าห้องสมุดนี้มีประโยชน์สำหรับงานวิชาการของคุณโปรดดูรูปแบบต่อไปนี้
@misc{zhangHarvestText,
author = {Zhiling Zhang},
title = {HarvestText: A Toolkit for Text Mining and Preprocessing},
journal = {GitHub repository},
howpublished = {url{https://github.com/blmoistawinde/HarvestText}},
year = {2023}
}
ห้องสมุดนี้อยู่ระหว่างการพัฒนาและการปรับปรุงคุณสมบัติที่มีอยู่และการเพิ่มคุณสมบัติเพิ่มเติมอาจเกิดขึ้นหลังจากนั้นอีก ยินดีต้อนรับเพื่อให้คำแนะนำในประเด็น หากคุณคิดว่ามันใช้งานง่ายคุณอาจมีดาว ~
ขอบคุณ repo ต่อไปนี้สำหรับแรงบันดาลใจ:
snownlp
pyhanlp
funnlp
chinesewordsegmentation
EventTripleSextraction
textrank4zh
