SceneGraphParser

場景graphparser

castegraphparser（ sng_parser ）是基於依賴性解析的python工具包（以自然語言為符號表示）（作為符號表示）。該項目的靈感來自斯坦福大學的圖形解析器。

與斯坦福版本不同，該解析器純粹由Python撰寫。它具有易於使用的用戶界面和易於配置的設計。它將節點是名詞（帶有確定性或形容詞等修飾符）的句子解析為圖表，邊緣是名詞之間的關係。請參閱示例部分以獲取詳細信息。

亮點：該項目仍在開發中。所有API都需要任何更改。

注意：您可能會注意到，解析是通過解析樹上的一組人寫的規則來完成的。因此，我們需要所有人的幫助，以收集當前程序的失敗/角案例。任何類型的報告或幫助都應受到歡迎。

此存儲庫是為：
統一的視覺語義嵌入：帶有結構性含義表示的橋接視覺和語言
Hao Wu，Jiayuan Mao，Yufeng Zhang，Yuning Jiang，Lei Li，Weiwei Sun和Wei-Ying MA
在2019年計算機視覺和模式識別會議（CVPR） （口頭表現）中

如果您覺得很舒服，請考慮引用我們的論文:)。該倉庫和原始的斯坦福大學場景圖形解析器之間的區別可以在＃7中找到。

安裝

可以使用PIP安裝軟件包。由於目前僅支持後端，因此需要在安裝後下載英文包。

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

例子

使用此工具的最簡單方法是調用parse功能。在設計中， sng_parser支持不同的後端。目前，我們僅支持Spacy後端。

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.' )

圖的規格

我們使用純的Pythonic dict和list代表圖形。儘管這種靈活性可能帶來一些不必要的問題，但我們更喜歡這種表示，因為：

1. 目前，該工具仍在開發中，這些API可能會發生變化。
2. 這使該工具易於集成到任何基於Python的項目中。您無需關心醃製/取消結果。在您的代碼中使用它！

生成的場景圖匹配以下規格：

{
  '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...
  ]
}