SceneGraphParser

scenegraphparser

SceneGraphParser ( sng_parser ) เป็นชุดเครื่องมือ Python สำหรับการแยกวิเคราะห์ประโยค (ในภาษาธรรมชาติ) ลงในกราฟฉาก (เป็นตัวแทนสัญลักษณ์) ขึ้นอยู่กับการแยกวิเคราะห์การพึ่งพา โครงการนี้ได้รับแรงบันดาลใจจากตัวแยกวิเคราะห์กราฟฉากสแตนฟอร์ด

แตกต่างจากเวอร์ชั่นสแตนฟอร์ดตัวแยกวิเคราะห์นี้เขียนโดย Python อย่างหมดจด มันมีส่วนต่อประสานผู้ใช้ที่ใช้งานง่ายและการออกแบบกำหนดค่าที่ง่าย มันแยกวิเคราะห์ประโยคลงในกราฟที่โหนดเป็นคำนาม (พร้อมตัวดัดแปลงเช่นปัจจัยหรือคำคุณศัพท์) และขอบเป็นความสัมพันธ์ระหว่างคำนาม โปรดดูส่วนตัวอย่างสำหรับรายละเอียด

ไฮไลต์: โครงการนี้ยังคงได้รับการพัฒนา API ทั้งหมดอาจมีการเปลี่ยนแปลงใด ๆ

หมายเหตุ : ดังที่คุณอาจสังเกตเห็นว่าการแยกวิเคราะห์จะทำโดยชุดของกฎที่เขียนโดยมนุษย์บนต้นไม้แยกวิเคราะห์ ดังนั้นเราต้องการความช่วยเหลือจากทุกคนในการรวบรวมกรณีความล้มเหลว/มุมของโปรแกรมปัจจุบัน รายงานหรือความช่วยเหลือใด ๆ ควรได้รับการต้อนรับมากกว่า

repo นี้ได้รับการพัฒนาสำหรับ:
Embeddings ภาพรวมภาพรวม: การมองเห็นและภาษาที่มีการแสดงความหมายที่มีโครงสร้าง
Hao Wu, Jiayuan Mao, Yufeng Zhang, Yuning Jiang, Lei Li, Weiwei Sun และ Weii-inging Ma
ในการประชุมเกี่ยวกับวิสัยทัศน์คอมพิวเตอร์และการจดจำรูปแบบ (CVPR) 2019 (การนำเสนอด้วยวาจา)

โปรดพิจารณาอ้างถึงกระดาษของเราหากคุณรู้สึกว่าสบายใจ :) ความแตกต่างระหว่าง repo นี้และตัวแยกวิเคราะห์กราฟฉากสแตนฟอร์ดดั้งเดิมสามารถพบได้ใน #7

การติดตั้ง

แพ็คเกจสามารถติดตั้งได้โดยใช้ PIP เนื่องจากปัจจุบันรองรับ Spacy เป็นแบ็กเอนด์แพ็คเกจภาษาอังกฤษจะต้องดาวน์โหลดหลังจากการติดตั้ง

pip install SceneGraphParser
python -m spacy download en  # to use the parser for English 

ตัวอย่าง

วิธีที่ง่ายที่สุดในการใช้เครื่องมือนี้คือการเรียกใช้ฟังก์ชั่น parse ในการออกแบบ sng_parser รองรับแบ็กเอนด์ที่แตกต่างกัน ปัจจุบันเราสนับสนุนเฉพาะแบ็กเอนด์ Spacy

pip install spacy

 > >> import sng_parser
> >> graph = sng_parser . parse ( 'A woman is playing the piano in the room.' )

 > >> from pprint import pprint
> >> pprint ( graph )

 {'entities': [{'head': 'woman',
               'lemma_head': 'woman',
               'lemma_span': 'a woman',
               'modifiers': [{'dep': 'det', 'lemma_span': 'a', 'span': 'A'}],
               'span': 'A woman'},
              {'head': 'piano',
               'lemma_head': 'piano',
               'lemma_span': 'the piano',
               'modifiers': [{'dep': 'det',
                              'lemma_span': 'the',
                              'span': 'the'}],
               'span': 'the piano'},
              {'head': 'room',
               'lemma_head': 'room',
               'lemma_span': 'the room',
               'modifiers': [{'dep': 'det',
                              'lemma_span': 'the',
                              'span': 'the'}],
               'span': 'the room'}],
 'relations': [{'object': 1, 'relation': 'playing', 'subject': 0},
               {'object': 2, 'relation': 'in', 'subject': 0}]}

 > >> sng_parser . tprint ( graph )  # we provide a tabular visualization of the graph. 

 Entities:
+--------+-----------+-------------+
| Head   | Span      | Modifiers   |
|--------+-----------+-------------|
| woman  | a woman   | a           |
| piano  | the piano | the         |
| room   | the room  | the         |
+--------+-----------+-------------+
Relations:
+-----------+------------+----------+
| Subject   | Relation   | Object   |
|-----------+------------+----------|
| woman     | playing    | piano    |
| woman     | in         | room     |
+-----------+------------+----------+

หรือคุณสามารถกำหนดค่าตัวแยกวิเคราะห์ของคุณเอง:

 > >> import sng_parser
> >> parser = sng_parser . Parser ( 'spacy' , model = 'en' )  # the positional argument specifies the backend, and the keyward arguments are for the backend initialization.
> >> graph = parser . parse ( 'A woman is playing the piano in the room.' )

ข้อมูลจำเพาะของกราฟ

เราใช้ pythonic dict และ list เพื่อแสดงกราฟ แม้ว่าความยืดหยุ่นนี้อาจนำปัญหาที่ไม่พึงประสงค์มา แต่เราชอบการเป็นตัวแทนนี้เพราะ:

1. ปัจจุบันเครื่องมือยังคงได้รับการพัฒนา API เหล่านี้อาจมีการเปลี่ยนแปลง
2. สิ่งนี้ทำให้เครื่องมือง่ายต่อการรวมเข้ากับโครงการที่ใช้งูหลาม คุณไม่จำเป็นต้องใส่ใจเกี่ยวกับการดอง/ปลดปล่อยผลลัพธ์ ใช้ทุกที่ในรหัสของคุณ!

กราฟฉากที่สร้างขึ้นตรงกับข้อมูลจำเพาะต่อไปนี้:

{
  'entities' : [  # a list of entities
    {
      'span' : "the full span of a noun phrase" ,
      'lemma_span' : "the lemmatized version of the span" ,
      'head' : "the head noun" ,
      'lemma_head' : "the lemmatized version of the head noun" ,
      'modifiers' : [
        {
          'dep' : "the dependency type" ,
          'span' : "the span of the modifier" ,
          'lemma_span' : "the lemmatized version of the span"
        },
        # other modifiers...
      ]
    },
    # other entities...
  ],

  'relations' : [  # a list of relations
    # the subject and object fields are sometimes called "head" and "tail" in relation extraction papers.
    {
      'subject' : "the entity id of the subject" ,
      'object' : "the entity id of the object" ,
      'relation' : "the relation"
    }
    # other relations...
  ]
}