/ xmnlp /
小明NLP — 轻量级中文自然语言处理工具
A Lightweight Chinese Natural Language Processing Toolkit
v 0.1.8
- 中文分词 & 词性标注
- 支持繁體
- 支持自定义词典
- 中文拼写检查
- 文本摘要 & 关键词提取
- 情感分析
- 文本转拼音
- 获取汉字偏旁部首
pip install xmnlp
git clone https://github.com/SeanLee97/xmnlp.git
cd /path/to/xmnlp
pip install -r requirements.txt
python setup.py install
numpy
import xmnlp
xmnlp.set_userdict('/path/to/userdict.txt')
doc = """自然语言处理: 是人工智能和语言学领域的分支学科。
在这此领域中探讨如何处理及运用自然语言；自然语言认知则是指让电脑“懂”人类的语言。
自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。"""
print(xmnlp.seg(doc, hmm=True))结果输出
['自然语言', '处理', ':', '是', '人工智能', '和', '语言学', '领域', '的', '分支', '学科', '。', '在', '这此', '领域', '中', '探讨', '如何', '处理', '及', '运用', '自然语言', '；', '自然语言', '认知', '则', '是', '指让', '电脑', '“', '懂', '”', '人类', '的', '语言', '。', '自然语言', '生成', '系统', '把', '计算机', '数据', '转化', '为', '自然语言', '。', '自然语言', '理解', '系统', '把', '自然语言', '转化', '为', '计算机程序', '更', '易于', '处理', '的', '形式', '。']
import xmnlp
xm.set_userdict('/path/to/userdict.txt')
doc = """自然语言处理: 是人工智能和语言学领域的分支学科。
在这此领域中探讨如何处理及运用自然语言；自然语言认知则是指让电脑“懂”人类的语言。
自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。"""
print(list(xm.tag(doc)))结果输出
[('自然语言', 'l'), ('处理', 'v'), (':', 'un'), ('是', 'v'), ('人工智能', 'n'), ('和', 'c'), ('语言学', 'n'), ('领域', 'n'), ('的', 'uj'), ('分支', 'n'), ('学科', 'n'), ('。', 'un'), ('在', 'p'), ('这此', 'un'), ('领域', 'n'), ('中', 'f'), ('探讨', 'v'), ('如何', 'r'), ('处理', 'v'), ('及', 'c'), ('运用', 'vn'), ('自然语言', 'l'), ('；', 'un'), ('自然语言', 'l'), ('认知', 'v'), ('则', 'd'), ('是', 'v'), ('指让', 'un'), ('电脑', 'n'), ('“', 'un'), ('懂', 'v'), ('”', 'un'), ('人类', 'n'), ('的', 'uj'), ('语言', 'n'), ('。', 'un'), ('自然语言', 'l'), ('生成', 'v'), ('系统', 'n'), ('把', 'p'), ('计算机', 'n'), ('数据', 'n'), ('转化', 'v'), ('为', 'p'), ('自然语言', 'l'), ('。', 'un'), ('自然语言', 'l'), ('理解', 'v'), ('系统', 'n'), ('把', 'p'), ('自然语言', 'l'), ('转化', 'v'), ('为', 'p'), ('计算机程序', 'n'), ('更', 'd'), ('易于', 'v'), ('处理', 'v'), ('的', 'uj'), ('形式', 'n'), ('。', 'un')]
此功能基于symspell实现，建议用来检查词级别的错误，对于句子尚未能很好的解决拼写错误问题，第一次加载字典的速度较慢（由词典大小决定）
import xmnlp
xmnlp.set_userdict('./userdict.txt')
doc = """**人敏共和国"""
print('Error: \n', doc)
ret = xmnlp.checker(doc, level=0) # level = 0
print('Correct: \n', ret)结果输出
中华人民共和国
level=1, 不建议使用，句级别仅返回所有可能的拼写检查结果
import xmnlp
xmnlp.set_userdict('./userdict.txt')
doc = """今天天汽不错哦"""
print('Error: \n', doc)
ret = xmnlp.checker(doc, level=1) # level = 1
print('Correct: \n', ret)结果输出
['今天天气', '不错']
基于textrank算法实现
import xmnlp
xm.set_stopword('/path/to/stopword.txt') # 添加用户自定义停用词
doc = """自然语言处理: 是人工智能和语言学领域的分支学科。
在这此领域中探讨如何处理及运用自然语言；自然语言认知则是指让电脑“懂”人类的语言。
自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。"""
# keyword
print(xm.keyword(doc))
# keyphrase
print(xm.keyphrase(doc))结果输出
keyphrase:
自然语言理解系统自然语言转化计算机程序易于形式
自然语言生成系统计算机数据转化自然语言
自然语言认知指让电脑懂人类语言
这此领域中探讨自然语言
自然语言人工智能语言学领域分支学科
keyword:
[('自然语言', 2.5960552414414391), ('系统', 1.3424759005594451), ('转化', 1.2404934273839832), ('领域', 1.13500044179745), ('语言', 1.0865431295952139)]
基于朴素贝叶斯算法实现，基于酒店评价数据训练
import xmnlp
xmnlp.set_stopword('/path/to/stopword.txt') # 用户自定义停用词
doc = """这件衣服的质量也太差了吧！"""
doc2 = """这酒店真心不错"""
print('Text: ', doc)
print('Score: ', xmnlp.sentiment(doc))
print('Text: ', doc2)
print('Score: ', xmnlp.sentiment(doc2))结果输出
Text: 这件衣服的质量也太差了吧！
Score: 0.09661951767426591
Text: 这酒店真心不错
Score: 0.7947237609561072
部首是一种文本的特征，在深度学习中我们有时可以加入部首特征来训练网络
import xmnlp
print(xmnlp.radical('自然语言处理'))结果输出
['自', '灬', '讠', '言', '夂', '王']
支持用户使用自己的语料训练模型，训练例子在examples 的trainer_*中
本项目采用所有模型只有在第一次使用时才会开始加载，所以第一次加载速度会有些慢
更多例子请查看examples
本项目采用的数据主要有：
- 人民日报语料
- 结巴分词分词数据
- snownlp情感分析语料
本项目受到以下项目的启发
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent