corus
1.0.0
ลิงค์ไปยังรหัส Corpora + Russian Corpora ที่เปิดเผยต่อสาธารณะสำหรับการโหลดและการแยกวิเคราะห์ 20+ DataSests, 350GB+ ของข้อความ
ตัวอย่างเช่นให้เราทิ้ง lenta.ru โดย @yutkin ดาวน์โหลดไฟล์เก็บถาวร (ลิงก์ในส่วนอ้างอิง):
wget https://github.com/yutkin/Lenta.Ru-News-Dataset/releases/download/v1.0/lenta-ru-news.csv.gz ใช้ corus เพื่อโหลดข้อมูล:
> >> from corus import load_lenta
> >> path = 'lenta-ru-news.csv.gz'
> >> records = load_lenta ( path )
> >> next ( records )
LentaRecord (
url = 'https://lenta.ru/news/2018/12/14/cancer/' ,
title = 'Названы регионы России с xa0 самой высокой смертностью от xa0 рака' ,
text = 'Вице-премьер по социальным вопросам Татьяна Голикова рассказала, в каких регионах России зафиксирована наиболее высокая смертность от рака, сооб...' ,
topic = 'Россия' ,
tags = 'Общество'
)ย้ำกว่าข้อความ:
> >> records = load_lenta ( path )
> >> for record in records :
... text = record . text
... ...สำหรับลิงก์ไปยังชุดข้อมูลอื่น ๆ และตัวโหลดดูส่วนอ้างอิง
วัสดุอยู่ในภาษารัสเซีย:
corus รองรับ Python 3.5+, Pypy 3
$ pip install corus| ชุดข้อมูล | API from corus import | แท็ก | ตำรา | ไม่บีบอัด | คำอธิบาย |
|---|---|---|---|---|---|
| lenta.ru | |||||
| lenta.ru v1.0 | load_lenta # | news | 739 351 | 1.66 GB | wget https://github.com/yutkin/Lenta.Ru-News-Dataset/releases/download/v1.0/lenta-ru-news.csv.gz |
| lenta.ru v1.1+ | load_lenta2 # | news | 800 975 | 1.94 GB | wget https://github.com/yutkin/Lenta.Ru-News-Dataset/releases/download/v1.1/lenta-ru-news.csv.bz2 |
| lib.rus.ec | load_librusec # | fiction | 301 871 | 144.92 GB | Dump of lib.rus.ec เตรียมการประชุมเชิงปฏิบัติการรัสเซียwget http://panchenko.me/data/russe/librusec_fb2.plain.gz |
| Rossiya Segodnya | load_ria_raw #load_ria # | news | 1 003 869 | 3.70 GB | wget https://github.com/RossiyaSegodnya/ria_news_dataset/raw/master/ria.json.gz |
| Mokoron Russian Twitter Corpus | load_mokoron # | sentiment social | 17 633 417 | 1.86 GB | มาร์กอัปความเชื่อมั่นของรัสเซียทวิตเตอร์ Manuilla ดาวน์โหลด https://www.dropbox.com/s/9egqjszeicki4ho/db.sql |
| วิกิพีเดีย | load_wiki # | 1 541 401 | 12.94 GB | การถ่ายโอนข้อมูลวิกิรัสเซียwget https://dumps.wikimedia.org/ruwiki/latest/ruwiki-latest-pages-articles.xml.bz2 | |
| GRAMEVAL2020 | load_gramru # | 162 372 | 30.04 MB | wget https://github.com/dialogue-evaluation/GramEval2020/archive/master.zipunzip master.zipmv GramEval2020-master/dataTrain trainmv GramEval2020-master/dataOpenTest devrm -r master.zip GramEval2020-masterwget https://github.com/AlexeySorokin/GramEval2020/raw/master/data/GramEval_private_test.conllu | |
| Opencorpora | load_corpora # | morph | 4 030 | 20.21 MB | wget http://opencorpora.org/files/export/annot/annot.opcorpora.xml.zip |
| Rusvectores Simlex-965 | load_simlex # | emb sim | wget https://rusvectores.org/static/testsets/ru_simlex965_tagged.tsvwget https://rusvectores.org/static/testsets/ru_simlex965.tsv | ||
| Omnia Russian | load_omnia # | morph web fiction | 489.62 GB | Taiga + Wiki + Araneum อ่าน "Russian Corpus ที่มีขนาดใหญ่กว่า" Manuilla ดาวน์โหลด http://bit.ly/2ZT4BY9 | |
| FACTRUEVAL-2016 | load_factru # | ner news | 254 | 969.27 KB | Manual Per, Loc, Org Markup จัดทำขึ้นสำหรับการแข่งขันโต้ตอบปี 2559wget https://github.com/dialogue-evaluation/factRuEval-2016/archive/master.zipunzip master.ziprm master.zip |
| กาว | load_gareev # | ner news | 97 | 455.02 KB | Manual Per, org Markup (ไม่มี LOC) ส่งอีเมล Rinat Gareev ([email protected]) ขอชุดข้อมูล tar -xvf rus-ner-news-corpus.iob.tar.gzrm rus-ner-news-corpus.iob.tar.gz |
| คอลเลกชัน 5 | load_ne5 # | ner news | 1,000 | 2.96 MB | บทความข่าวด้วย Manual Per, Loc, org Markupwget http://www.labinform.ru/pub/named_entities/collection5.zipunzip collection5.ziprm collection5.zip |
| ผู้คัดค้าน | load_wikiner # | ner | 203 287 | 36.15 MB | ประโยคจาก Wiki Auto Annoted ด้วย Per, loc, org tagswget https://github.com/dice-group/FOX/raw/master/input/Wikiner/aij-wikiner-ru-wp3.bz2 |
| BSNLP-2019 | load_bsnlp # | ner | 464 | 1.16 MB | มาร์กอัปจัดทำขึ้นสำหรับงานที่ใช้ร่วมกันของ BSNLP ในปี 2019wget http://bsnlp.cs.helsinki.fi/TRAININGDATA_BSNLP_2019_shared_task.zipwget http://bsnlp.cs.helsinki.fi/TESTDATA_BSNLP_2019_shared_task.zipunzip TRAININGDATA_BSNLP_2019_shared_task.zipunzip TESTDATA_BSNLP_2019_shared_task.zip -d test_pl_cs_ru_bgrm TRAININGDATA_BSNLP_2019_shared_task.zip TESTDATA_BSNLP_2019_shared_task.zip |
| บุคคล -1000 | load_persons # | ner news | 1,000 | 2.96 MB | เช่นเดียวกับคอลเลกชัน 5 เฉพาะต่อมาร์กอัป + ชื่อปกติwget http://ai-center.botik.ru/Airec/ai-resources/Persons-1000.zip |
| คลังปฏิกิริยายารัสเซีย (RUDREC) | load_rudrec # | ner | 4 809 | 1.73 kb | Rudredc เป็นคลังข้อมูลใหม่บางส่วนของการทบทวนผู้บริโภคในรัสเซียเกี่ยวกับการผลิตยาสำหรับการตรวจหาหน่วยงานที่เกี่ยวข้องกับสุขภาพและผลกระทบของผลิตภัณฑ์ยา ที่นี่คุณสามารถดาวน์โหลดและทำงานกับส่วนที่ได้รับการพิจารณาเพื่อรับส่วนดิบ (บทวิจารณ์ 1.4m) โปรดดูที่ https://github.com/cimm-kzn/rudrecwget https://github.com/cimm-kzn/RuDReC/raw/master/data/rudrec_annotated.json |
| ไทกา | คอลเลกชันขนาดใหญ่ของข้อความรัสเซียจากแหล่งต่าง ๆ : เว็บไซต์ข่าว, นิตยสาร, การรู้หนังสือ, เครือข่ายสังคมออนไลน์wget https://linghub.ru/static/Taiga/retagged_taiga.tar.gztar -xzvf retagged_taiga.tar.gz | ||||
| อาร์ซามาส | load_taiga_arzamas # | news | 311 | 4.50 MB | |
| ฟอนกากะ | load_taiga_fontanka # | news | 342 683 | 786.23 MB | |
| การแทรกแซง | load_taiga_interfax # | news | 46 429 | 77.55 MB | |
| KP | load_taiga_kp # | news | 45 503 | 61.79 MB | |
| เลนต้า | load_taiga_lenta # | news | 36 446 | 95.15 MB | |
| Taiga/n+1 | load_taiga_nplus1 # | news | 7 696 | 24.96 MB | |
| นิตยสาร | load_taiga_magazines # | 39 890 | 2.19 GB | ||
| คำบรรยาย | load_taiga_subtitles # | 19 011 | 909.08 MB | ||
| ทางสังคม | load_taiga_social # | social | 1 876 442 | 648.18 MB | |
| Proza | load_taiga_proza # | fiction | 1 732 434 | 38.25 GB | |
| Stihi | load_taiga_stihi # | 9 157 686 | 12.80 GB | ||
| ชุดข้อมูล NLP ของรัสเซีย | ชุดข้อมูลข่าวรัสเซียหลายชุดจาก webhose.io, lenta.ru และเว็บไซต์ข่าวอื่น ๆ | ||||
| ข่าว | load_buriy_news # | news | 2 154 801 | 6.84 GB | Dump of Top 40 News + 20 เว็บไซต์ข่าวแฟชั่นwget https://github.com/buriy/russian-nlp-datasets/releases/download/r4/news-articles-2014.tar.bz2wget https://github.com/buriy/russian-nlp-datasets/releases/download/r4/news-articles-2015-part1.tar.bz2wget https://github.com/buriy/russian-nlp-datasets/releases/download/r4/news-articles-2015-part2.tar.bz2 |
| เว็บฮอส | load_buriy_webhose # | news | 285 965 | 859.32 MB | Dump จาก webhose.io, 300 แหล่งที่มาเป็นเวลาหนึ่งเดือนwget https://github.com/buriy/russian-nlp-datasets/releases/download/r4/webhose-2016.tar.bz2 |
| ods #proj_news_viz | มีข่าวหลายฉบับที่ถูกคัดลอกโดยสมาชิกของโครงการ #PROJ_NEWS_VIZ ODS | ||||
| การแทรกแซง | load_ods_interfax # | news | 543 961 | 1.22 GB | wget https://github.com/ods-ai-ml4sg/proj_news_viz/releases/download/data/interfax.csv.gz |
| ราชกิจจานุเบกษา | load_ods_gazeta # | news | 865 847 | 1.63 GB | wget https://github.com/ods-ai-ml4sg/proj_news_viz/releases/download/data/gazeta.csv.gz |
| Izvestia | load_ods_izvestia # | news | 86 601 | 307.19 MB | wget https://github.com/ods-ai-ml4sg/proj_news_viz/releases/download/data/iz.csv.gz |
| Meduza | load_ods_meduza # | news | 71 806 | 270.11 MB | wget https://github.com/ods-ai-ml4sg/proj_news_viz/releases/download/data/meduza.csv.gz |
| เรีย | load_ods_ria # | news | 101 543 | 233.88 MB | wget https://github.com/ods-ai-ml4sg/proj_news_viz/releases/download/data/ria.csv.gz |
| รัสเซียวันนี้ | load_ods_rt # | news | 106 644 | 187.12 MB | wget https://github.com/ods-ai-ml4sg/proj_news_viz/releases/download/data/rt.csv.gz |
| ตื้น | load_ods_tass # | news | 1 135 635 | 3.27 GB | wget https://github.com/ods-ai-ml4sg/proj_news_viz/releases/download/data/tass-001.csv.gz |
| การพึ่งพาสากล | |||||
| GSD | load_ud_gsd # | syntax morph | 5 030 | 1.01 MB | wget https://github.com/UniversalDependencies/UD_Russian-GSD/raw/master/ru_gsd-ud-dev.conlluwget https://github.com/UniversalDependencies/UD_Russian-GSD/raw/master/ru_gsd-ud-test.conlluwget https://github.com/UniversalDependencies/UD_Russian-GSD/raw/master/ru_gsd-ud-train.conllu |
| ไทกา | load_ud_taiga # | syntax morph | 3 264 | 353.80 KB | wget https://github.com/UniversalDependencies/UD_Russian-Taiga/raw/master/ru_taiga-ud-dev.conlluwget https://github.com/UniversalDependencies/UD_Russian-Taiga/raw/master/ru_taiga-ud-test.conlluwget https://github.com/UniversalDependencies/UD_Russian-Taiga/raw/master/ru_taiga-ud-train.conllu |
| ปัด | load_ud_pud # | syntax morph | 1,000 | 207.78 KB | wget https://github.com/UniversalDependencies/UD_Russian-PUD/raw/master/ru_pud-ud-test.conllu |
| Syntagrus | load_ud_syntag # | syntax morph | 61 889 | 11.33 MB | wget https://github.com/UniversalDependencies/UD_Russian-SynTagRus/raw/master/ru_syntagrus-ud-dev.conlluwget https://github.com/UniversalDependencies/UD_Russian-SynTagRus/raw/master/ru_syntagrus-ud-test.conlluwget https://github.com/UniversalDependencies/UD_Russian-SynTagRus/raw/master/ru_syntagrus-ud-train.conllu |
| Morphorueval-2017 | |||||
| อินเทอร์เน็ตทั่วไป | load_morphoru_gicrya # | morph | 83 148 | 10.58 MB | wget https://github.com/dialogue-evaluation/morphoRuEval-2017/raw/master/GIKRYA_texts_new.zipunzip GIKRYA_texts_new.ziprm GIKRYA_texts_new.zip |
| คลังชาติรัสเซีย | load_morphoru_rnc # | morph | 98 892 | 12.71 MB | wget https://github.com/dialogue-evaluation/morphoRuEval-2017/raw/master/RNC_texts.rarunrar x RNC_texts.rarrm RNC_texts.rar |
| Opencorpora | load_morphoru_corpora # | morph | 38 510 | 4.80 MB | wget https://github.com/dialogue-evaluation/morphoRuEval-2017/raw/master/OpenCorpora_Texts.rarunrar x OpenCorpora_Texts.rarrm OpenCorpora_Texts.rar |
| ความสัมพันธ์เชิงความหมายของรัสเซียรัสเซีย | |||||
| HJ: การตัดสินของมนุษย์ของคู่คำ | load_russe_hj # | emb sim | wget https://github.com/nlpub/russe-evaluation/raw/master/russe/evaluation/hj.csv | ||
| RT: คำพ้องความหมายและ hypernyms จาก thresurus ruthes | load_russe_rt # | emb sim | wget https://raw.githubusercontent.com/nlpub/russe-evaluation/master/russe/evaluation/rt.csv | ||
| AE: ความสัมพันธ์ทางปัญญาจากการทดลอง sociation.org | load_russe_ae # | emb sim | wget https://github.com/nlpub/russe-evaluation/raw/master/russe/evaluation/ae-train.csvwget https://github.com/nlpub/russe-evaluation/raw/master/russe/evaluation/ae-test.csvwget https://raw.githubusercontent.com/nlpub/russe-evaluation/master/russe/evaluation/ae2.csv | ||
| ชุดข้อมูล Toloka | |||||
| ความสัมพันธ์คำศัพท์จากภูมิปัญญาของฝูงชน (LRWC) | load_toloka_lrwc # | emb sim | wget https://tlk.s3.yandex.net/dataset/LRWC.zipunzip LRWC.ziprm LRWC.zip | ||
| คลังปฏิกิริยายาเสพติดรัสเซียของทวีต (ruadrect) | load_ruadrect # | social | 9 515 | 2.09 MB | คลังข้อมูลนี้ได้รับการพัฒนาสำหรับการขุดโซเชียลมีเดียสำหรับแอพพลิเคชั่นสุขภาพ (#SMM4H) งานที่ใช้ร่วมกันในปี 2020wget https://github.com/cimm-kzn/RuDReC/raw/master/data/RuADReCT.zipunzip RuADReCT.ziprm RuADReCT.zip |
corus/sources/<source>.pycorus/sources/__init__.pycorus/source/meta.pydocs.ipynb (ตรวจสอบตารางเมตาถูกต้อง)dev env
python -m venv ~ /.venvs/natasha-corus
source ~ /.venvs/natasha-corus/bin/activate
pip install -r requirements/dev.txt
pip install -e .
python -m ipykernel install --user --name natasha-corusผ้าสำลี + อัปเดตเอกสาร
make lint
make exec-docsปล่อย
# Update setup.py version
git commit -am ' Up version '
git tag v0.10.0
git push
git push --tags
