jiagu

package module
v1.0.1 Latest Latest
Warning

This package is not in the latest version of its module.

 Go to latest Published: Jul 23, 2021 License: Apache-2.0 Imports: 14 Imported by: 0

README

jiagu自然语言处理工具

Go Reference Go goreleaser GitHub go.mod Go version of a Go module GoReportCard GitHub license GitHub release

an NLP toolkit for Chinese. This is a golang port from the original python3 liberary

Jiagu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、情感分析、文本聚类等常用自然语言处理功能。参考了各大工具优缺点制作，将Jiagu回馈给大家。

提供的功能有：

  • 中文分词
  • 词性标注
  • 命名实体识别
  • 知识图谱关系抽取
  • 关键词提取
  • 文本摘要
  • 新词发现
  • 情感分析
  • 文本聚类
  • 等等。。。。

模型转换

原始模型文件来自python版本, 为pickle或marshal格式，需要先转换json，再转成gob后gzip压缩

  1. pickle/marshal模型转json (sentiment.model 为marshal格式)
python ./cmd/modelconverter/pickle2json.py pickle.model ./data/model/xxx.json
python ./cmd/modelconverter/marshal2json.py pickle.model ./data/model/xxx.json
  1. json模型文件转gob后gzip压缩
go run ./cmd/modelconverter/main.go -i ./data/model/xxx.json -o ./model/xxx.model
go run ./cmd/modelconverter/main.go -i ./data/model/xxx.json -o ./model/xxx.model --sentiment // 仅对sentiment.model使用

使用方式

  1. 快速上手：分词、词性标注、命名实体识别
import "github.com/bububa/jiagu"

func main() {
    // 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

    pos := jiagu.Pos(words) // 词性标注

    ner := jiagu.Ner(words) // 命名实体识别
}
  1. 中文分词
import "github.com/bububa/jiagu"

func main() {
    text := "汉服和服装、维基图谱"

    words := jiagu.Seg(text)
    

    // fd, err := os.Open("user.dict")
    // defer fd.Close()
    // jiagu.LoadUserDict(fd) # 加载自定义字典，支持字典路径、字典列表形式。

    jiagu.AddVocabs([]string{"汉服和服装"})

    words := jiagu.Seg(text) // 自定义分词，字典分词模式有效
}
  1. 知识图谱关系抽取
import "github.com/bububa/jiagu"

func main() {
    text := '姚明1980年9月12日出生于上海市徐汇区，祖籍江苏省苏州市吴江区震泽镇，前中国职业篮球运动员，司职中锋，现任中职联公司董事长兼总经理。'
    knowledge := jiagu.Knowledge(text)
}

训练数据：https://github.com/ownthink/KnowledgeGraphData

  1. 关键词提取
import "github.com/bububa/jiagu"

func main() {
    text = `
    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。
    `

    keywords := jiagu.keywords(text, 5) 
}
  1. 文本摘要
import "github.com/bububa/jiagu"

func main() {
    summarize := jiagu.Summarize(text, 3) # 摘要
}
  1. 新词发现
import "github.com/bububa/jiagu"

func main() {
    fd, err := os.Open("input.txt")
    defer fd.Close()

    words, err := jiagu.Findword(fd, 0, 0, 0) // 根据文本，利用信息熵做新词发现。
}
  1. 情感分析
import "github.com/bububa/jiagu"

func main() {
    text := "很讨厌还是个懒鬼"
    words := jiagu.Seg(text)
    sentiment, probe := jiagu.Sentiment(words)
}
  1. 文本聚类
import "github.com/bububa/jiagu"

func main() {
    docs := []string {
        "百度深度学习中文情感分析工具Senta试用及在线测试",
        "情感分析是自然语言处理里面一个热门话题",
        "AI Challenger 2018 文本挖掘类竞赛相关解决方案及代码汇总",
        "深度学习实践：从零开始做电影评论文本情感分析",
        "BERT相关论文、文章和代码资源汇总",
        "将不同长度的句子用BERT预训练模型编码，映射到一个固定长度的向量上",
        "自然语言处理工具包spaCy介绍",
        "现在可以快速测试一下spaCy的相关功能，我们以英文数据为例，spaCy目前主要支持英文和德文",
    }
	tokenizer := func(txt string) []string {
		return jiagu.Seg(txt)
	}
    cluster := jiagu.KmeansCluster(docs, tokenizer, 4)	

}
print(cluster)

附录

  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
  1. 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

Reference：

Documentation

Overview

Package jiagu 自然语言处理工具

Index

Constants

View Source 
const (
	// POS_MODEL 词性标注model文件
	POS_MODEL = "pos.model"
	// NER_MODEL 命名实体识别model文件
	NER_MODEL = "ner.model"
	// KG_MODEL 知识图谱model文件
	KG_MODEL = "kg.model"
	// CWS_MODEL 分词model文件
	CWS_MODEL = "cws.model"
	// SENTIMENT_MODEL 情感分析model文件
	SENTIMENT_MODEL = "sentiment.model"
	// VOCAB_DICT 分词字典
	VOCAB_DICT = "jiagu.dict"
	// STOPWORDS stopwords字典
	STOPWORDS_DICT = "stopwords.txt"
)

Variables

This section is empty.

Functions

func AddVocabs 

func AddVocabs(words []string)

AddVocabs 添加用户词典word

func DBScanCluster 

func DBScanCluster(corpus []string, tokenizer cluster.Tokenizer, eps float64, minPts int) (cluster.Clusters, error)

DBScanCluster dbscan 文本聚类

func DelVocabs 

func DelVocabs(words []string)

DelVocabs 删除用户词典word

func Findword 

func Findword(input io.Reader, minFreq int, minMtro float64, minEntro float64) ([]utils.StringCounterItem, error)

Findword 根据文本利用信息熵新词发现

func Init 

func Init()

func Keywords 

func Keywords(txt string, n int) []string

Keywords 关键词提取

func KeywordsInstance 

func KeywordsInstance() *textrank.Keywords

KeywordsInstance get keywordsModel singleton

func KmeansCluster 

func KmeansCluster(corpus []string, tokenizer cluster.Tokenizer, k int) (cluster.Clusters, error)

KmeansCluster kmeans 文本聚类

func Knowledge 

func Knowledge(txt string) []knowledge.Entity

Knowledge 知识图谱关系提取

func KnowledgeInstance 

func KnowledgeInstance() *knowledge.Knowledge

KnowledgeInstance get knowledgeModel singleton

func LoadUserDict 

func LoadUserDict(r io.Reader)

LoadUserDict 加载用户词典

func Ner 

func Ner(words []string) []model.Class

Ner 命名实体识别

func NerModel 

func NerModel() *perceptron.Perceptron

NerModel get nerModel singleton

func Pos 

func Pos(words []string) []model.Class

Pos 词性标注

func PosModel 

func PosModel() *perceptron.Perceptron

PosModel get posModel singleton

func Seg 

func Seg(sentence string) []string

Seg 分词

func Segment 

func Segment() *segment.Segment

Segment get seg singleton

func Sentiment 

func Sentiment(words []string) (string, float64)

Sentment 情感分析

func SentimentInstance 

func SentimentInstance() *bayes.Bayes

SentimentInstance get sentimentModel singleton

func Stopwords 

func Stopwords() *stopwords.Stopwords

Stopwords get stopwordsModel singleton

func Summarize 

func Summarize(txt string, n int) []string

Summarize 生成摘要

func SummarizeInstance 

func SummarizeInstance() *textrank.Summarize

SummarizeInstance get summarizeModel signleton

Types

This section is empty.

Source Files

View all Source files

Directories

Path Synopsis
Package classify 包含文本分类
 Package classify 包含文本分类
bayes
Package cluster 文本聚类
 Package cluster 文本聚类
cmd
modelconverter
train
Package findword 根据文本，利用信息熵做新词发现。
 Package findword 根据文本，利用信息熵做新词发现。
Package knowledge 包含知识图谱提取
 Package knowledge 包含知识图谱提取
Package perceptron Jiagu自然语言处理工具训练方法
 Package perceptron Jiagu自然语言处理工具训练方法
model
Package model include models for perceptron
 Package model include models for perceptron
Package segment 包含分词相关
 Package segment 包含分词相关
Package stopwords 停用词相关
 Package stopwords 停用词相关
Package textrank 包含提取关键词
 Package textrank 包含提取关键词

Jump to

Keyboard shortcuts

? : This menu
/ : Search site
f or F : Jump to
y or Y : Canonical URL
go.dev uses cookies from Google to deliver and enhance the quality of its services and to analyze traffic. Learn more.