思知 分词工具 jiagu的简单上手

# 快速上手：分词、词性标注、命名实体识别
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(words)  # 命名实体识别
print(ner)


# 中文分词
# 自定义分词模型（将单独提供msr、pku、cnc等分词标准）


# 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.cut('结婚的和尚未结婚的')

print(words)

# 分词各种模式使用方式


text = '汉服和服装、知识图谱机器人'

words = jiagu.cut(text) # 深度学习分词
print(words)

words = jiagu.seg(text) # 字典分词
print(words)

# jiagu.load_userdict('dict/user.dict') # 加载自定义字典，支持字典路径、字典列表形式。
jiagu.load_userdict(['知识图谱'])

words = jiagu.seg(text) # 自定义分词，字典分词模式有效
print(words)



# 知识图谱关系抽取

# 吻别是由张学友演唱的一首歌曲。
# 苏州大学（Soochow University），简称“苏大”，坐落于历史文化名城苏州。
# 《盗墓笔记》是2014年欢瑞世纪影视传媒股份有限公司出品的一部网络季播剧，改编自南派三叔所著的同名小说，由郑保瑞和罗永昌联合导演，李易峰、杨洋、唐嫣、刘天佐、张智尧、魏巍等主演。
# 姚明（Yao Ming），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。
text = '《盗墓笔记》是2014年欢瑞世纪影视传媒股份有限公司出品的一部网络季播剧，改编自南派三叔所著的同名小说，由郑保瑞和罗永昌联合导演，李易峰、杨洋、唐嫣、刘天佐、张智尧、魏巍等主演。'
knowledge = jiagu.knowledge(text)
print(knowledge)




# 关键词提取
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) # 关键词
print(keywords)


# 文本摘要
fin = open('input.txt', 'r')
text = fin.read()
fin.close()

summarize = jiagu.summarize(text, 3) # 摘要
print(summarize)



# 新词发现

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



# 情感分析
text = '很讨厌还是个懒鬼'
sentiment = jiagu.sentiment(text)
print(sentiment)



# 文本聚类
docs = [
        "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"
    ]
cluster = jiagu.text_cluster(docs)
print(cluster)

'''
输出的结果如下：

['厦门', '明天', '会不会', '下雨']
['ns', 'nt', 'v', 'v']
['B-LOC', 'O', 'O', 'O']
['结婚', '的', '和', '尚未', '结婚', '的']
['汉服', '和', '服装', '、', '知识图谱', '机器人']
['汉服', '和', '服装', '、', '知识图谱', '机器人']
['汉服', '和', '服装', '、', '知识图谱', '机器人']
[['盗墓笔记', '出品公司', '欢瑞世纪影视传媒股份有限公司'], ['盗墓笔记', '作者', '南派三叔'], ['盗墓笔记', '导演', '郑瑞'], ['盗墓笔记', '导演', '罗永昌'], ['盗墓笔记', '主演', '李易峰'], ['盗墓笔记', '主演', '杨洋'], ['盗墓笔记', '主演', '唐嫣'], ['盗墓笔记', '主演', '刘天佐'], ['盗墓笔记', '主演', '张智尧'], ['盗墓笔记', '主演', '魏巍']]
['.', '工程', '万', '造林', '绿化']
['参考了各大工具优缺点制作，将Jiagu回馈给大家。', 'Jiagu以BiLSTM等模型为基础，使用大规模语料训练而成。', '']
('negative', 0.9957030885091285)
{0: ['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', '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', '百度深度学习中文情感分析工具Senta试用及在线测试', '深度学习实践：从零开始做电影评论文本情感分析'], 1: ['情感分析是自然语言处理里面一个热门话题', '自然语言处理工具包spaCy介绍'], 2: ['AI Challenger 2018 文本挖掘类竞赛相关解决方案及代码汇总', 'BERT相关论文、文章和代码资源汇总']}

'''





'''
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
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
'''