PyABSA
Release two more ABSA subtasks
สวัสดี! โปรดแสดง repo นี้ถ้ามันช่วยคุณได้! ดาวแต่ละดวงช่วยให้ Pyabsa ก้าวต่อไปขอบคุณมาก Pyabsa เป็นเครื่องมือฟรีและโอเพ่นซอร์สสำหรับทุกคน แต่โปรดอย่าลืมแนบข้อมูลผู้แต่ง (ไม่เป็นทางการหรือเป็นทางการ) และที่อยู่โครงการในผลงานผลิตภัณฑ์และสิ่งพิมพ์ของคุณ ฯลฯ
นอกเหนือจากกระดาษแล้วยังมีคุณสมบัติใหม่สองประการใน PYABSA: การสกัด Triplet Assect Triplet และการสกัดแบบสี่เท่า เราได้ปรับใช้การสาธิตในพื้นที่ HuggingFace คุณสามารถลองใช้ออนไลน์ได้
เราได้เตรียมตัวอย่างมากมายสำหรับงานที่แตกต่างกัน โปรดดูตัวอย่างสำหรับตัวอย่างการใช้งานเพิ่มเติม
หากต้องการใช้ PYABSA ให้ติดตั้งเวอร์ชันล่าสุดจาก PIP หรือซอร์สโค้ด:
pip install -U pyabsagit clone https://github.com/yangheng95/PyABSA --depth=1
cd PyABSA
python setup.py install 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 )
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 )โปรดดูเอกสาร: เอกสาร PYABSA หากคุณมีคำถามใด ๆ เกี่ยวกับเอกสารโปรดอย่าลังเลที่จะยกปัญหา นอกจากนี้คุณสามารถเข้าร่วมเพื่อปรับปรุงเอกสาร
ที่เก็บนี้ขึ้นอยู่กับเอกสารของเราสำหรับการวิจัย ABSA นี่คือเอกสารที่คุณสามารถอ้างอิงหรืออ้างถึงการใช้งานของคุณ:
หากคุณกำลังมองหาข้อเสนอดั้งเดิมของการมุ่งเน้นบริบทท้องถิ่นนี่คือการแนะนำที่นี่
@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 }
}ที่เก็บนี้ได้รับการพัฒนาและดูแลโดย Heng Yang (Yangheng95@GitHub) โดยมีส่วนร่วมอย่างมากจากนักวิจัยชุมชน เราคาดหวังว่าคุณสามารถช่วยเราปรับปรุงโครงการนี้และยินดีต้อนรับการมีส่วนร่วมของคุณ คุณสามารถบริจาคได้หลายวิธีรวมถึง:
Pyabsa ได้รับการปล่อยตัวภายใต้ใบอนุญาต MIT โปรดอ้างถึง repo (หรือเอกสาร) หรือแนบข้อมูลผู้แต่งในงานของคุณ (ที่เก็บบล็อกผลิตภัณฑ์ ฯลฯ )
