内容简介:一只小狐狸带你解锁前言
一只小狐狸带你解锁 NLP 秘籍
前言
随着BERT、ERNIE、XLNet等预训练模型的流行,解决NLP问题时不用上预训练模型似乎总显得自己有点过时。 但是这显然是不对的。
众所周知,无论训练还是推理,预训练模型都会消耗大量的算力,且高度依赖GPU计算资源。然而,有很多的NLP问题实际上仅仅靠 字典+规则 就可以做到够用,那么这时候强行上笨重的模型无异于高射炮打蚊子,性价比是非常低的。
于是小夕就从一个比较疯狂的github repo里为大家 精挑细选 了 45个 比较实用的开源小 工具 和字典,让大家在搭建NLP系统、辅助炼丹的过程中少一些模型和算力的依赖,多一些小而美的代码。
repo地址:
https://github.com/fighting41love/funNLP
注:这是一个非常丧心病狂的repo,里面收录了300多个项目,但是比较鱼龙混杂,要记得多多横向对比哦
来,感受 一下 m(_ _)m
鬼知道我是怎么把这300个repo看完一遍的
(╯°□°)╯︵ ┻━┻
1. textfilter: 中英文敏感词过滤
repo: observerss/textfilter
>>> f = DFAFilter() >>> f.add("sexy") >>> f.filter("hello sexy baby") hello **** baby
敏感词包括政治、脏话等话题词汇。其原理主要是基于词典的查找(项目中的keyword文件),内容很不清真
2. langid:97种语言检测
repo: saffsd/langid.py pip install langid
>>> import langid>>> langid.classify("This is a test") ('en', -54.41310358047485)
3. langdetect:另一个语言检测
地址:https://code.google.com/archive/p/language-detection
pip install langdetect
from langdetect import detectfrom langdetect import detect_langs s1 = "本篇博客主要介绍两款语言探测工具,用于区分文本到底是什么语言,"s2 = 'We are pleased to introduce today a new technology'print(detect(s1)) print(detect(s2)) print(detect_langs(s3)) # detect_langs()输出探测出的所有语言类型及其所占的比例
输出结果如下:注:语言类型主要参考的是ISO 639-1语言编码标准,详见ISO 639-1百度百科
跟上一个语言检测比较,准确率低,效率高。
4. phone 中国手机归属地查询:
repo: ls0f/phone
已集成到 python package cocoNLP中
from phone import Phone p = Phone() p.find(18100065143)#return {'phone': '18100065143', 'province': '上海', 'city': '上海', 'zip_code': '200000', 'area_code': '021', 'phone_type': '电信'}
支持号段: 13 ,15 ,18*,14[5,7],17[0,6,7,8]
记录条数: 360569 (updated:2017年4月)
作者提供了数据phone.dat 方便非 python 用户Load数据。
5. phone国际手机、电话归属地查询:
repo: AfterShip/phone npm install phone
import phone from 'phone'; phone('+852 6569-8900'); // return ['+85265698900', 'HKG'] phone('(817) 569-8900'); // return ['+18175698900, 'USA']
6. ngender 根据名字判断性别:
repo: observerss/ngender
基于朴素贝叶斯计算的概率
pip install ngender
>>> import ngender>>> ngender.guess('赵本山') ('male', 0.9836229687547046)>>> ngender.guess('宋丹丹') ('female', 0.9759486128949907)
7. 抽取email的正则表达式
已集成到 python package cocoNLP中
email_pattern = '^[*#\u4e00-\u9fa5 a-zA-Z0-9_.-]+@[a-zA-Z0-9-]+(\.[a-zA-Z0-9-]+)*\.[a-zA-Z0-9]{2,6}$'emails = re.findall(email_pattern, text, flags=0)
8. 抽取phone_number的正则表达式
已集成到 python package cocoNLP中
cellphone_pattern = '^((13[0-9])|(14[0-9])|(15[0-9])|(17[0-9])|(18[0-9]))\d{8}$'phoneNumbers = re.findall(cellphone_pattern, text, flags=0)
9. 抽取身份证号的正则表达式
IDCards_pattern = r'^([1-9]\d{5}[12]\d{3}(0[1-9]|1[012])(0[1-9]|[12][0-9]|3[01])\d{3}[0-9xX])$'IDs = re.findall(IDCards_pattern, text, flags=0)
10. 人名语料库:
repo: wainshine/Chinese-Names-Corpus
人名抽取功能已加入 python package cocoNLP
中文(现代、古代)名字、日文名字、中文的姓和名、称呼(大姨妈、小姨妈等)、英文->中文名字(李约翰)、成语词典
(可用于中文分词、姓名识别)
11. 中文缩写库:
repo: zhangyics/Chinese-abbreviation-dataset
全国人大: 全国/n 人民/n 代表大会/n 中国: 中华人民共和国/ns 女网赛: 女子/n 网球/n 比赛/vn
12. 汉语拆字词典:
repo: kfcd/chaizi
漢字 拆法 (一) 拆法 (二) 拆法 (三) 拆 手 斥 扌 斥 才 斥
13. 词汇情感值:
repo: rainarch/SentiBridge
山泉水 充沛 0.400704566541 0.370067395878 视野 宽广 0.305762728932 0.325320747491 大峡谷 惊险 0.312137906517 0.378594957281
14. 中文词库、停用词、敏感词
repo: dongxiexidian/Chinese
此package的敏感词库分类更细:
反动词库, 敏感词库表统计, 暴恐词库, 民生词库, 色情词库
15. 汉字转拼音:
repo: mozillazg/python-pinyin
文本纠错会用到
16. 中文繁简体互转:
repo: skydark/nstools
17. 英文模拟中文发音引擎
repo: tinyfool/ChineseWithEnglish
say wo i ni #说:我爱你
相当于用英文音标,模拟中文发音。
18. 同义词库、反义词库、否定词库:
repo: guotong1988/chinese_dictionary
19. 中文字符数据
repo: skishore/makemeahanzi
-
简/繁体汉字笔顺
-
矢量笔画
20. 无空格英文串分割、抽取单词:
repo: keredson/wordninja
>>> import wordninja>>> wordninja.split('derekanderson') ['derek', 'anderson']>>> wordninja.split('imateapot') ['im', 'a', 'teapot']
21. IP地址正则表达式:
(25[0-5]|2[0-4]\d|[0-1]\d{2}|[1-9]?\d)\.(25[0-5]|2[0-4]\d|[0-1]\d{2}|[1-9]?\d)\.(25[0-5]|2[0-4]\d|[0-1]\d{2}|[1-9]?\d)\.(25[0-5]|2[0-4]\d|[0-1]\d{2}|[1-9]?\d)
22. 腾讯QQ号正则表达式:
[1-9]([0-9]{5,11})
23. 国内固话号码正则表达式:
[0-9-()()]{7,18}
24. 用户名正则表达式:
[A-Za-z0-9_\-\u4e00-\u9fa5]+
25. g2pC:基于上下文的汉语读音自动标记模块
repo: Kyubyong/g2pC
26. 时间抽取:
已集成到 python package cocoNLP中
在2016年6月7日9:44执行測試,结果如下 Hi,all。下周一下午三点开会 >> 2016-06-13 15:00:00-false 周一开会 >> 2016-06-13 00:00:00-true 下下周一开会 >> 2016-06-20 00:00:00-true
java version:
https://github.com/shinyke/Time-NLP
python version:
https://github.com/zhanzecheng/Time_NLP
27. 快速转化「中文数字」和「阿拉伯数字」
repo: HaveTwoBrush/cn2an
-
中文、阿拉伯数字互转
-
中文与阿拉伯数字混合的情况,在开发中
28. 公司名字大全
repo: wainshine/Company-Names-Corpus
29. 古诗词库
repo: panhaiqi/AncientPoetry
更全的古诗词库:
https://github.com/chinese-poetry/chinese-poetry
30. THU整理的词库
repo: http://thuocl.thunlp.org/
已整理到本repo的data文件夹中.
IT词库、财经词库、成语词库、地名词库、历史名人词库、诗词词库、医学词库、饮食词库、法律词库、汽车词库、动物词库
31. PDF表格数据提取工具
repo: camelot-dev/camelot
32. 国内电话号码正则匹配(三大运营商+虚拟等)
repo: VincentSit/ChinaMobilePhoneNumberRegex
33.用户名黑名单列表:
repo: marteinn/The-Big-Username-Blacklist
包含了用户名禁用列表,比如:
administrator administration autoconfig autodiscover broadcasthost domain editor guest host hostmaster info keybase.txt localdomain localhost master mail mail0 mail
34. Microsoft多语言数字/单位/如日期时间识别包:
repo: Microsoft/Recognizers-Text
35. chinese-xinhua 中华新华字典数据库及api,包括常用歇后语、成语、词语和汉字
repo: pwxcoo/chinese-xinhua
36. 文档图谱自动生成
repo: liuhuanyong/TextGrapher
-
TextGrapher - Text Content Grapher based on keyinfo extraction by NLP method。输入一篇文档,将文档进行关键信息提取,进行结构化,并最终组织成图谱组织形式,形成对文章语义信息的图谱化展示
37. 186种语言的数字叫法库
repo: google/UniNum
38. 繁简体转换
repo: berniey/hanziconv
39. 汉字字符特征提取器 (featurizer),提取汉字的特征(发音特征、字形特征)用做深度学习的特征
repo: howl-anderson/hanzi_char_featurizer
40. 中文缩写数据集
repo: zhangyics/Chinese-abbreviation-dataset
41. 无道词典 - 有道词典的命令行版本,支持英汉互查和在线查询
repo: ChestnutHeng/Wudao-dict
42. 最好的汉字数字(中文数字)-阿拉伯数字转换工具
repo: Wall-ee/chinese2digits
43. LineFlow:面向所有深度学习框架的NLP数据高效加载器
repo: tofunlp/lineflow
44. 将自然语言数字串解析转换为整数和浮点数
repo: jaidevd/numerizer
45. 英文脏话大列表
repo: zacanger/profane-words
AI学习路线和优质资源,在后台回复"AI"获取
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- 从小众blueCMS入坑代码审计
- Keras之小众需求:自定义优化器
- [译] 写一款小众的 Flutter 图标包
- 让你事半功倍的小众 Python 库
- 明明很好很强大,Rust 却还是那么小众
- 小众CMS vaeThink v1.0.1 代码执行漏洞挖掘分析
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。