dongrixinyu / Jionlp
Licence: apache-2.0
中文 NLP 任务预处理工具包,准确、高效、零使用门槛
Stars: ✭ 449
Programming Languages
Projects that are alternatives of or similar to Jionlp
Uer Py
Open Source Pre-training Model Framework in PyTorch & Pre-trained Model Zoo
Stars: ✭ 1,295 (+188.42%)
Mutual labels: chinese, natural-language-processing, ner
Cluener2020
CLUENER2020 中文细粒度命名实体识别 Fine Grained Named Entity Recognition
Stars: ✭ 689 (+53.45%)
Mutual labels: chinese, ner
Malaya
Natural Language Toolkit for bahasa Malaysia, https://malaya.readthedocs.io/
Stars: ✭ 239 (-46.77%)
Mutual labels: natural-language-processing, ner
D2l Zh
《动手学深度学习》:面向中文读者、能运行、可讨论。中英文版被55个国家的300所大学用于教学。
Stars: ✭ 29,132 (+6388.2%)
Mutual labels: chinese, natural-language-processing
Chinesener
中文命名实体识别,实体抽取,tensorflow,pytorch,BiLSTM+CRF
Stars: ✭ 938 (+108.91%)
Mutual labels: chinese, ner
Ncrfpp
NCRF++, a Neural Sequence Labeling Toolkit. Easy use to any sequence labeling tasks (e.g. NER, POS, Segmentation). It includes character LSTM/CNN, word LSTM/CNN and softmax/CRF components.
Stars: ✭ 1,767 (+293.54%)
Mutual labels: natural-language-processing, ner
Chatbot ner
chatbot_ner: Named Entity Recognition for chatbots.
Stars: ✭ 273 (-39.2%)
Mutual labels: natural-language-processing, ner
Pytorch Bert Crf Ner
KoBERT와 CRF로 만든 한국어 개체명인식기 (BERT+CRF based Named Entity Recognition model for Korean)
Stars: ✭ 236 (-47.44%)
Mutual labels: natural-language-processing, ner
Spacy Lookup
Named Entity Recognition based on dictionaries
Stars: ✭ 212 (-52.78%)
Mutual labels: natural-language-processing, ner
Bert Ner Pytorch
Chinese NER(Named Entity Recognition) using BERT(Softmax, CRF, Span)
Stars: ✭ 654 (+45.66%)
Mutual labels: chinese, ner
Bert Sklearn
a sklearn wrapper for Google's BERT model
Stars: ✭ 182 (-59.47%)
Mutual labels: natural-language-processing, ner
Vncorenlp
A Vietnamese natural language processing toolkit (NAACL 2018)
Stars: ✭ 354 (-21.16%)
Mutual labels: natural-language-processing, ner
Bond
BOND: BERT-Assisted Open-Domain Name Entity Recognition with Distant Supervision
Stars: ✭ 96 (-78.62%)
Mutual labels: natural-language-processing, ner
Nlp Papers
Papers and Book to look at when starting NLP 📚
Stars: ✭ 111 (-75.28%)
Mutual labels: natural-language-processing, ner
Chineseblue
Chinese Biomedical Language Understanding Evaluation benchmark (ChineseBLUE)
Stars: ✭ 149 (-66.82%)
Mutual labels: chinese, natural-language-processing
——JioNLP:中文 NLP 预处理工具包 A Python Lib for Chinese NLP Preprocessing
pip install jionlp
- 做 NLP 任务,需要清洗、过滤语料?用 JioNLP
- 做 NLP 任务,需要做信息抽取?用 JioNLP
- 做 NLP 任务,需要数据增强?用 JioNLP
- 做 NLP 任务,需要给模型添加偏旁、拼音、词典、繁体转换信息?用 JioNLP
总之,JioNLP 提供 NLP 任务预处理功能,准确、高效、零使用门槛,并提供一步到位的查阅入口。
功能主要包括:文本清洗,去除HTML标签、异常字符、冗余字符,转换全角字母、数字、空格为半角,抽取及删除E-mail及域名、电话号码、QQ号、括号内容、身份证号、IP地址、URL超链接、货币金额与单位,金额数字转大写汉字,解析身份证号信息、手机号码归属地、座机区号归属地、手机号码运营商,按行快速读写文件,(多功能)停用词过滤,(优化的)分句,地址解析,新闻地域识别,繁简体转换,汉字转拼音,汉字偏旁、字形、四角编码、五笔编码拆解,基于词典的情感分析,色情数据过滤,反动数据过滤,关键短语抽取,抽取式文本摘要,成语接龙,成语词典、歇后语词典、新华字典、新华词典、停用词典、中国地名词典、中国县级地名变更词典、世界地名词典,基于词典的NER,NER的字、词级别转换,NER的entity和tag格式转换,NER模型的预测阶段加速并行工具集,NER标注和模型预测的结果差异对比,NER标注数据集分割与统计,NER实体收集、文本分类标注数据集的分割与统计、回译数据增强、相邻近汉字换位数据增强、同音词替换数据增强、随机增删字符数据增强、实体替换数据增强
Update 2021-03-18
实体替换数据增强
新增根据实体词典,对文本中的实体进行替换。
>>> import jionlp as jio
>>> replace_entity = jio.ReplaceEntity(
{'Person':{'张守住': 3, '三矢水介':1, '刘美婷':2},
'Country':{'马来西亚': 2}})
>>> aug_texts, aug_entities = jio.replace_entity(
'一位名叫“伊藤慧太”的男子身着日本匠人常穿的作务衣,面带微笑,用日语侃侃而谈',
[{'text': '伊藤慧太', 'type': 'Person', 'offset': (5, 9)},
{'text': '日本', 'type': 'Country', 'offset': (15, 17)}])
>>> print(aug_texts, aug_entities)
# aug_texts:
# ['一位名叫“伊藤慧太”的男子身着马来西亚匠人常穿的作务衣,面带微笑,用日语侃侃而谈',
# '一位名叫“刘美婷”的男子身着日本匠人常穿的作务衣,面带微笑,用日语侃侃而谈', # 语义矛盾,但不影响任务训练
# '一位名叫“张守住”的男子身着日本匠人常穿的作务衣,面带微笑,用日语侃侃而谈'],
# aug_entities:
# [[{'text': '伊藤慧太', 'type': 'Person', 'offset': (5, 9)},
# {'text': '马来西亚', 'type': 'Country', 'offset': [15, 19]}],
# [{'text': '刘美婷', 'type': 'Person', 'offset': [5, 8]},
# {'text': '日本', 'type': 'Country', 'offset': (14, 16)}],
# [{'text': '张守住', 'type': 'Person', 'offset': [5, 8]},
# {'text': '日本', 'type': 'Country', 'offset': (14, 16)}]])
安装 Installation
- python>=3.6 github 版本略领先于 pip
$ git clone https://github.com/dongrixinyu/JioNLP
$ cd ./JioNLP
$ pip install .
- pip 安装
$ pip install jionlp
使用 Features
- 导入工具包,查看工具包的主要功能与函数注释
>>> import jionlp as jio
>>> jio.help() # 输入关键词搜索工具包是否包含某功能,如输入“回译”
>>> dir(jio)
>>> print(jio.extract_parentheses.__doc__)
- 在 Linux 系统,可使用以下命令做搜索:
$ jio_help
1.小工具集 Gadgets
功能 | 函数 | 描述 |
---|---|---|
查找帮助 | help | 若不知道 JioNLP 有哪些功能,可根据命令行提示键入若干关键词做搜索 |
关键短语抽取 | extract_keyphrase | 给定一篇文本,抽取其对应关键短语 |
抽取式文本摘要 | extract_summary | 给定一篇文本,抽取其对应文摘 |
停用词过滤 | remove_stopwords | 给定一个文本被分词后的词 list,去除其中的停用词 |
分句 | split_sentence | 对文本按标点分句 |
地址解析 | parse_location | 给定一个包含国内地址字符串,识别其中的省、市、县区、乡镇街道、村社等信息 |
电话号码归属地、 运营商解析 |
phone_location cell_phone_location landline_phone_location |
给定一个电话号码字符串,识别其中的省、市、运营商 |
新闻地名识别 | recognize_location | 给定新闻文本,识别其中的国内省、市、县,国外国家、城市等信息 |
身份证号解析 | parse_id_card | 给定一个身份证号,识别对应的省、市、县、出生年月、 性别、校验码等信息 |
成语接龙 | idiom_solitaire | 成语接龙,即前一成语的尾字和后一成语的首字(读音)相同 |
色情数据过滤 | ||
反动数据过滤 | ||
繁体转简体 | tra2sim | 繁体转简体,支持逐字转与最大匹配两种模式 |
简体转繁体 | sim2tra | 简体转繁体,支持逐字转与最大匹配两种模式 |
汉字转拼音 | pinyin | 找出中文文本对应的汉语拼音,并可返回声母、韵母、声调 |
汉字转偏旁与字形 | char_radical | 找出中文文本对应的汉字字形结构信息, 包括偏旁部首(“河”氵)、字形结构(“河”左右结构)、 四角编码(“河”31120)、汉字拆解(“河”水可)、 五笔编码(“河”ISKG) |
金额数字转汉字 | money_num2char | 给定一条数字金额,返回其汉字大写结果 |
2.数据增强
功能 | 函数 | 描述 |
---|---|---|
回译 | BackTranslation | 给定一篇文本,采用各大厂云平台的机器翻译接口, 实现数据增强 |
邻近汉字换位 | swap_char_position | 随机交换相近字符的位置,实现数据增强 |
同音词替换 | homophone_substitution | 相同读音词汇替换,实现数据增强 |
随机增删字符 | random_add_delete | 随机在文本中增加、删除某个字符,对语义不造成影响 |
NER实体替换 | replace_entity | 根据实体词典,随机在文本中替换某个实体,对语义不 造成影响,也广泛适用于序列标注、文本分类 |
3.正则抽取与解析
功能 | 函数 | 描述 |
---|---|---|
清洗文本 | clean_text | 去除文本中的异常字符、冗余字符、HTML标签、括号信息、 URL、E-mail、电话号码,全角字母数字转换为半角 |
抽取 E-mail | extract_email | 抽取文本中的 E-mail,返回位置与域名 |
抽取 金额 | extract_money | 抽取文本中的金额,并将其以数字 + 单位标准形式输出 |
抽取电话号码 | extract_phone_number | 抽取电话号码(含手机、座机),返回域名、类型与位置 |
抽取中国身份证 ID | extract_id_card | 抽取身份证 ID,配合 jio.parse_id_card 返回身份证的 详细信息(省市县、出生日期、性别、校验码) |
抽取 QQ 号 | extract_qq | 抽取 QQ 号,分为严格规则和宽松规则 |
抽取 URL | extract_url | 抽取 URL 超链接 |
抽取 IP地址 | extract_ip_address | 抽取 IP 地址 |
抽取括号中的内容 | extract_parentheses | 抽取括号内容,包括 {}「」[]【】()()<>《》 |
删除 E-mail | remove_email | 删除文本中的 E-mail 信息 |
删除 URL | remove_url | 删除文本中的 URL 信息 |
删除 电话号码 | remove_phone_number | 删除文本中的电话号码 |
删除 IP地址 | remove_ip_address | 删除文本中的 IP 地址 |
删除 身份证号 | remove_id_card | 删除文本中的身份证信息 |
删除 QQ | remove_qq | 删除文本中的 qq 号 |
删除 HTML标签 | remove_html_tag | 删除文本中残留的 HTML 标签 |
删除括号中的内容 | remove_parentheses | 删除括号内容,包括 {}「」[]【】()()<>《》 |
删除异常字符 | remove_exception_char | 删除文本中异常字符,主要保留汉字、常用的标点, 单位计算符号,字母数字等 |
4.文件读写工具
功能 | 函数 | 描述 |
---|---|---|
按行读取文件 | read_file_by_iter | 以迭代器形式方便按行读取文件,节省内存, 支持指定行数,跳过空行 |
按行读取文件 | read_file_by_line | 按行读取文件,支持指定行数,跳过空行 |
将 list 中元素按行写入文件 | write_file_by_line | 将 list 中元素按行写入文件 |
计时工具 | TimeIt | 统计某一代码段的耗时 |
5.词典加载与使用
功能 | 函数 | 描述 |
---|---|---|
成语词典 | chinese_idiom_loader | 加载成语词典 |
歇后语词典 | xiehouyu_loader | 加载歇后语词典 |
中国地名词典 | china_location_loader | 加载中国省、市、县三级词典 |
中国区划调整词典 | china_location_change_loader | 加载 2018 年以来中国县级以上区划调整更名记录 |
世界地名词典 | world_location_loader | 加载世界大洲、国家、城市词典 |
新华字典 | chinese_char_dictionary_loader | 加载新华字典 |
新华词典 | chinese_word_dictionary_loader | 加载新华词典 |
6.实体识别(NER)算法辅助工具集
功能 | 函数 | 描述 |
---|---|---|
基于词典NER | LexiconNER | 依据指定的实体词典,前向最大匹配实体 |
entity 转 tag | entity2tag | 将 json 格式实体转换为模型处理的 tag 序列 |
tag 转 entity | tag2entity | 将模型处理的 tag 序列转换为 json 格式实体 |
字 token 转词 token | char2word | 将字符级别 token 转换为词汇级别 token |
词 token 转字 token | word2char | 将词汇级别 token 转换为字符级别 token |
比较标注与模型预测的实体差异 | entity_compare | 针对人工标注的实体,与模型预测出的实体结果 ,做差异比对 |
NER模型预测加速 | TokenSplitSentence TokenBreakLongSentence TokenBatchBucket |
对 NER 模型预测并行加速的方法 |
分割数据集 | analyse_dataset | 对 NER 标注语料,分为训练集、验证集、测试集,并给出各个子集的实体类型分布统计 |
实体收集 | collect_dataset_entities | 将标注语料中的实体收集起来,形成词典 |
7.文本分类
功能 | 函数 | 描述 |
---|---|---|
朴素贝叶斯分析类别词汇 | analyse_freq_words | 对文本分类的标注语料,做朴素贝叶斯词频分析,返回各类 文本的高条件概率词汇 |
分割数据集 | analyse_dataset | 对文本分类的标注语料,切分为训练集、验证集、测试集, 并给出各个子集的分类分布统计 |
8.情感分析
功能 | 函数 | 描述 |
---|---|---|
基于词典情感分析 | LexiconSentiment | 依据人工构建的情感词典,计算文本的情感值,介于0~1之间 |
初衷
- 开发 NLP 模型,预处理至关重要且非常耗时。本工具包能快速辅助工程师完成各种琐碎的预处理操作,加速开发进度,把有限的精力用在思考而非 code 上。
- 如有功能建议、bug,可通过 issue 按模板提出。
- 如感兴趣合作完善本工具包,请参考 TODO.txt 文件进行功能添加。
做NLP不易,欢迎加入自然语言处理 Wechat 交流群 (#^.^#)
Note that the project description data, including the texts, logos, images, and/or trademarks,
for each open source project belongs to its rightful owner.
If you wish to add or remove any projects, please contact us at [email protected].