SceneGraphParser

场景graphparser

castegraphparser（ sng_parser ）是基于依赖性解析的python工具包（以自然语言为符号表示）（作为符号表示）。该项目的灵感来自斯坦福大学的图形解析器。

与斯坦福版本不同，该解析器纯粹由Python撰写。它具有易于使用的用户界面和易于配置的设计。它将节点是名词（带有确定性或形容词等修饰符）的句子解析为图表，边缘是名词之间的关系。请参阅示例部分以获取详细信息。

亮点：该项目仍在开发中。所有API都需要任何更改。

注意：您可能会注意到，解析是通过解析树上的一组人写的规则来完成的。因此，我们需要所有人的帮助，以收集当前程序的失败/角案例。任何类型的报告或帮助都应受到欢迎。

此存储库是为：
统一的视觉语义嵌入：带有结构性含义表示的桥接视觉和语言
Hao Wu，Jiayuan Mao，Yufeng Zhang，Yuning Jiang，Lei Li，Weiwei Sun和Wei-Ying MA
在2019年计算机视觉和模式识别会议（CVPR） （口头表现）中

如果您觉得很舒服，请考虑引用我们的论文:)。该仓库和原始的斯坦福大学场景图形解析器之间的区别可以在＃7中找到。

安装

可以使用PIP安装软件包。由于目前仅支持后端，因此需要在安装后下载英文包。

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

例子

使用此工具的最简单方法是调用parse功能。在设计中， sng_parser支持不同的后端。目前，我们仅支持Spacy后端。

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     |
+-----------+------------+----------+

另外，您可以配置自己的解析器：

 > >> 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.' )

图的规格

我们使用纯的Pythonic dict和list代表图形。尽管这种灵活性可能带来一些不必要的问题，但我们更喜欢这种表示，因为：

1. 目前，该工具仍在开发中，这些API可能会发生变化。
2. 这使该工具易于集成到任何基于Python的项目中。您无需关心腌制/取消结果。在您的代码中使用它！

生成的场景图匹配以下规格：

{
  '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...
  ]
}