源码: Github - Jiagu

作者:思知(OwnThink) - https://www.ownthink.com/

作者邮箱:help@ownthink.com

作者微信:MrYener

思知人工智能群QQ群:90780053

Jiagu,深度学习自然语言处理工具,包括:中文分词、词性标注、命名实体识别、情感分析、知识图谱关系抽取、新词发现、关键词、文本摘要.

Jiagu以BiLSTM等模型为基础,使用大规模语料训练而成。将提供中文分词、词性标注、命名实体识别、情感分析、知识图谱关系抽取、关键词抽取、文本摘要、新词发现等常用自然语言处理功能。参考了各大工具优缺点制作。

提供的功能有:

  • 中文分词
  • 词性标注
  • 命名实体识别
  • 情感分析 (模型训练中)
  • 知识图谱关系抽取 (模型训练中)
  • 关键词提取
  • 文本摘要
  • 新词发现
  • 等等

1. 编译安装

[1] - pip 安装:

pip install jiagu

[2] - 源码安装:

git clone https://github.com/ownthink/Jiagu cd Jiagu python3 setup.py install

2. 使用说明

2.1. 快速上手

import jiagu #jiagu.init() # 可手动初始化,也可以动态初始化 text = '厦门明天会不会下雨' words = jiagu.seg(text) # 分词 print(words) pos = jiagu.pos(words) # 词性标注 print(pos) ner = jiagu.ner(text) # 命名实体识别 print(ner)

2.2. 中文分词

分词各种模式使用方式:

import jiagu text = '汉服和服装' words = jiagu.seg(text) # 默认分词 print(words) words = jiagu.seg([text, text, text], input='batch') # 批量分词,加快速度。 print(words) words = jiagu.seg(text, model='mmseg') # 使用mmseg算法进行分词 print(list(words))

自定义分词模型(将单独提供msr、pku、cnc等分词标准):

import jiagu # 独立标准模型路径 # msr:test/extra_data/model/msr.model # pku:test/extra_data/model/pku.model # cnc:test/extra_data/model/cnc.model jiagu.load_model('test/extra_data/model/cnc.model') # 使用国家语委分词标准 words = jiagu.seg('结婚的和尚未结婚的') print(words)

2.3. 关键词提取

如文本:

该研究主持者之一、波士顿大学地球与环境科学系博士陈池(音)表示,“尽管中国和印度国土面积仅占全球陆地的9%,但两国为这一绿化过程贡献超过三分之一。考虑到人口过多的国家一般存在对土地过度利用的问题,这个发现令人吃惊。” NASA埃姆斯研究中心的科学家拉玛·内曼尼(Rama Nemani)说,“这一长期数据能让我们深入分析地表绿化背后的影响因素。我们一开始以为,植被增加是由于更多二氧化碳排放,导致气候更加温暖、潮湿,适宜生长。” “MODIS的数据让我们能在非常小的尺度上理解这一现象,我们发现人类活动也作出了贡献。” NASA文章介绍,在中国为全球绿化进程做出的贡献中,有42%来源于植树造林工程,对于减少土壤侵蚀、空气污染与气候变化发挥了作用。 据观察者网过往报道,2017年我国全国共完成造林736.2万公顷、森林抚育830.2万公顷。其中,天然林资源保护工程完成造林26万公顷,退耕还林工程完成造林91.2万公顷。京津风沙源治理工程完成造林18.5万公顷。三北及长江流域等重点防护林体系工程完成造林99.1万公顷。完成国家储备林建设任务68万公顷。
import jiagu keywords = jiagu.keywords(text, 5) # text 为上述文本,提取其关键词 print(keywords) # ['造林', '工程', '绿化', '数据', '贡献']

2.4. 文本摘要

import jiagu fin = open('input.txt', 'r') text = fin.read() fin.close() summarize = jiagu.summarize(text, 3) # 摘要 print(summarize)

2.5. 新词发现

import jiagu jiagu.findword('input.txt', 'output.txt') # 根据文本,利用信息熵做新词发现。

3. 评价标准

msr测试结果:

image

image

4. 附录

### 4.1. 词性标注说明

n   普通名词 nt   时间名词 nd   方位名词 nl   处所名词 nh   人名 nhf  姓 nhs  名 ns   地名 nn   族名 ni   机构名 nz   其他专名 v   动词 vd  趋向动词 vl  联系动词 vu  能愿动词 a   形容词 f   区别词 m   数词   q   量词 d   副词 r   代词 p   介词 c   连词 u   助词 e   叹词 o   拟声词 i   习用语 j   缩略语 h   前接成分 k   后接成分 g   语素字 x   非语素字 w   标点符号 ws  非汉字字符串 wu  其他未知的符号

4.2. 命名实体说明

采用BIO标记方式:

B-PER、I-PER 人名 B-LOC、I-LOC 地名 B-ORG、I-ORG 机构名
Last modification:April 23rd, 2019 at 09:15 pm