Metadata-Version: 1.1
Name: harvesttext
Version: 0.5.4
Summary: UNKNOWN
Home-page: https://github.com/blmoistawinde/HarvestText
Author: blmoistawinde
Author-email: 1840962220@qq.com
License: MIT
Description-Content-Type: text/markdown
Description: # HarvestText
        
        Sow with little data seed, harvest much from a text field.
        
        播撒几多种子词，收获万千领域实
        
        ![PyPI - Python Version](https://img.shields.io/badge/python-3.6-blue.svg) ![GitHub](https://img.shields.io/github/license/mashape/apistatus.svg) ![Version](https://img.shields.io/badge/version-V0.5-red.svg)
        
        ## 用途
        HarvestText是一个专注无（弱）监督方法，能够整合领域知识（如类型，别名）对特定领域文本进行简单高效地处理和分析的库。
        
        具体功能如下：
        
        <a id="目录">目录:</a>
        - 基本处理
        	- [精细分词分句](#实体链接)
        		- 可包含指定词和类别的分词。充分考虑省略号，双引号等特殊标点的分句。
        	- [实体链接](#实体链接)
        		- 把别名，缩写与他们的标准名联系起来。 
        	- [命名实体识别](#命名实体识别)
        		- 找到一句句子中的人名，地名，机构名等命名实体。
        	- [依存句法分析](#依存句法分析)
        		- 分析语句中各个词语（包括链接到的实体）的主谓宾语修饰等语法关系，
        	- [内置资源](#内置资源)
        		- 通用停用词，通用情感词，IT、财经、饮食、法律等领域词典。可直接用于以上任务。
        	- [信息检索](#信息检索)
        		- 统计特定实体出现的位置，次数等。
        	- [新词发现](#新词发现)
        		- 利用统计规律（或规则）发现语料中可能会被传统分词遗漏的特殊词汇。也便于从文本中快速筛选出关键词。
        	- [字符拼音纠错](#字符拼音纠错)
        		- 把语句中有可能是已知实体的错误拼写（误差一个字符或拼音）的词语链接到对应实体。
        	- [存取消除](#存取与消除)
        		- 可以本地保存模型再读取复用，也可以消除当前模型的记录。
        - 高层应用
        	- [情感分析](#情感分析)
        		- 给出少量种子词（通用的褒贬义词语），得到语料中各个词语和语段的褒贬度。
        	- [关系网络](#关系网络)
        		- 利用共现关系，获得关键词之间的网络。或者以一个给定词语为中心，探索与其相关的词语网络。
        	- [文本摘要](#文本摘要)
        		- 基于Textrank算法，得到一系列句子中的代表性句子。
        	- [事实抽取](#依存句法分析)
        		- 利用句法分析，提取可能表示事件的三元组。
        	- [简易问答系统](#简易问答系统)
        		- 从三元组中建立知识图谱并应用于问答，可以定制一些问题模板。效果有待提升，仅作为示例。
        
        	
        使用案例:
        - [《三国演义》中的社交网络](https://blog.csdn.net/blmoistawinde/article/details/85344906)（实体分词，文本摘要，关系网络等）
        - [2018中超舆情展示系统](https://blmoistawinde.github.io/SuperLegal2018Display/index.html)（实体分词，情感分析，新词发现\[辅助绰号识别\]等）
        - [近代史纲要信息抽取及问答系统](https://blog.csdn.net/blmoistawinde/article/details/86557070)(命名实体识别，依存句法分析，简易问答系统)
        
        	
        ## 用法
        
        
        首先安装，
        使用pip
        ```
        pip install harvesttext
        ```
        
        或进入setup.py所在目录，然后命令行:
        ```
        python setup.py install
        ```
        
        随后在代码中：
        
        ```python3
        from harvesttext import HarvestText
        ht = HarvestText()
        ```
        
        即可调用本库的功能接口。
        
        <a id="实体链接"> </a>
        ### 实体链接
        给定某些实体及其可能的代称，以及实体对应类型。将其登录到词典中，在分词时优先切分出来，并且以对应类型作为词性。也可以单独获得语料中的所有实体及其位置：
        
        ```python3
        para = "上港的武磊和恒大的郜林，谁是中国最好的前锋？那当然是武磊武球王了，他是射手榜第一，原来是弱点的单刀也有了进步"
        entity_mention_dict = {'武磊':['武磊','武球王'],'郜林':['郜林','郜飞机'],'前锋':['前锋'],'上海上港':['上港'],'广州恒大':['恒大'],'单刀球':['单刀']}
        entity_type_dict = {'武磊':'球员','郜林':'球员','前锋':'位置','上海上港':'球队','广州恒大':'球队','单刀球':'术语'}
        ht.add_entities(entity_mention_dict,entity_type_dict)
        print("\nSentence segmentation")
        print(ht.seg(para,return_sent=True))    # return_sent=False时，则返回词语列表
        ```
        	
        > 上港 的 武磊 和 恒大 的 郜林 ， 谁 是 中国 最好 的 前锋 ？ 那 当然 是 武磊 武球王 了， 他 是 射手榜 第一 ， 原来 是 弱点 的 单刀 也 有 了 进步
        
        采用传统的分词工具很容易把“武球王”拆分为“武 球王”
        
        词性标注，包括指定的特殊类型。
        ```python3
        print("\nPOS tagging with entity types")
        for word, flag in ht.posseg(para):
        	print("%s:%s" % (word, flag),end = " ")
        ```
        
        > 上港:球队 的:uj 武磊:球员 和:c 恒大:球队 的:uj 郜林:球员 ，:x 谁:r 是:v 中国:ns 最好:a 的:uj 前锋:位置 ？:x 那:r 当然:d 是:v 武磊:球员 武球王:球员 了:ul ，:x 他:r 是:v 射手榜:n 第一:m ，:x 原来:d 是:v 弱点:n 的:uj 单刀:术语 也:d 有:v 了:ul 进步:d 
        
        ```python3
        for span, entity in ht.entity_linking(para):
        	print(span, entity)
        ```
        
        > [0, 2] ('上海上港', '#球队#')
        [3, 5] ('武磊', '#球员#')
        [6, 8] ('广州恒大', '#球队#')
        [9, 11] ('郜林', '#球员#')
        [19, 21] ('前锋', '#位置#')
        [26, 28] ('武磊', '#球员#')
        [28, 31] ('武磊', '#球员#')
        [47, 49] ('单刀球', '#术语#')
        
        这里把“武球王”转化为了标准指称“武磊”，可以便于标准统一的统计工作。
        
        分句：
        ```python3
        print(ht.cut_sentences(para))
        ```
        
        > ['上港的武磊和恒大的郜林，谁是中国最好的前锋？', '那当然是武磊武球王了，他是射手榜第一，原来是弱点的单刀也有了进步']
        
        如果手头暂时没有可用的词典，不妨看看本库[内置资源](#内置资源)中的领域词典是否适合你的需要。
        
        \*现在本库能够也用一些基本策略来处理复杂的实体消歧任务（比如一词多义【"老师"是指"A老师"还是"B老师"？】、候选词重叠【xx市长/江yy？、xx市长/江yy？】）。
        具体可见[linking_strategy()](./examples/basics.py#linking_strategy)
        
        <a id="命名实体识别"> </a>
        ### 命名实体识别
        找到一句句子中的人名，地名，机构名等命名实体。使用了 [pyhanLP](https://github.com/hankcs/pyhanlp) 的接口实现。
        
        ```python
        ht0 = HarvestText()
        sent = "上海上港足球队的武磊是中国最好的前锋。"
        print(ht0.named_entity_recognition(sent))
        ```
        
        ```
        {'上海上港足球队': '机构名', '武磊': '人名', '中国': '地名'}
        ```
        
        <a id="依存句法分析"> </a>
        ### 依存句法分析
        分析语句中各个词语（包括链接到的实体）的主谓宾语修饰等语法关系，并以此提取可能的事件三元组。使用了 [pyhanLP](https://github.com/hankcs/pyhanlp) 的接口实现。
        
        ```python
        ht0 = HarvestText()
        para = "上港的武磊武球王是中国最好的前锋。"
        entity_mention_dict = {'武磊': ['武磊', '武球王'], "上海上港":["上港"]}
        entity_type_dict = {'武磊': '球员', "上海上港":"球队"}
        ht0.add_entities(entity_mention_dict, entity_type_dict)
        for arc in ht0.dependency_parse(para):
            print(arc)
        print(ht0.triple_extraction(para))
        ```
        
        ```
        [0, '上港', '球队', '定中关系', 3]
        [1, '的', 'u', '右附加关系', 0]
        [2, '武磊', '球员', '定中关系', 3]
        [3, '武球王', '球员', '主谓关系', 4]
        [4, '是', 'v', '核心关系', -1]
        [5, '中国', 'ns', '定中关系', 8]
        [6, '最好', 'd', '定中关系', 8]
        [7, '的', 'u', '右附加关系', 6]
        [8, '前锋', 'n', '动宾关系', 4]
        [9, '。', 'w', '标点符号', 4]
        ```
        ```python
        print(ht0.triple_extraction(para))
        ```
        ```
        [['上港武磊武球王', '是', '中国最好前锋']]
        ```
        
        <a id="字符拼音纠错"> </a>
        
        ### 字符拼音纠错
        把语句中有可能是已知实体的错误拼写（误差一个字符或拼音）的词语链接到对应实体。
        ```python
        def entity_error_check():
            ht0 = HarvestText()
            typed_words = {"人名":["武磊"]}
            ht0.add_typed_words(typed_words)
            sent1 = "武磊和吴力只差一个拼音"
            print(sent1)
            print(ht0.entity_linking(sent1, pinyin_recheck=True))
            sent2 = "武磊和吴磊只差一个字"
            print(sent2)
            print(ht0.entity_linking(sent2, char_recheck=True))
            sent3 = "吴磊和吴力都可能是武磊的代称"
            print(sent3)
            print(ht0.get_linking_mention_candidates(sent3, pinyin_recheck=True, char_recheck=True))
        entity_error_check()
        ```
        
        ```
        武磊和吴力只差一个拼音
        [([0, 2], ('武磊', '#人名#')), [(3, 5), ('武磊', '#人名#')]]
        武磊和吴磊只差一个字
        [([0, 2], ('武磊', '#人名#')), [(3, 5), ('武磊', '#人名#')]]
        吴磊和吴力都可能是武磊的代称
        ('吴磊和吴力都可能是武磊的代称', defaultdict(<class 'list'>, {(0, 2): {'武磊'}, (3, 5): {'武磊'}}))
        ```
        <a id="情感分析"> </a>
        
        ### 情感分析
        本库采用情感词典方法进行情感分析，通过提供少量标准的褒贬义词语（“种子词”），从语料中自动学习其他词语的情感倾向，形成情感词典。对句中情感词的加总平均则用于判断句子的情感倾向：
        
        ```python3
        print("\nsentiment dictionary")
        sents = ["武磊威武，中超第一射手！",
              "武磊强，中超最第一本土球员！",
              "郜林不行，只会抱怨的球员注定上限了",
              "郜林看来不行，已经到上限了"]
        sent_dict = ht.build_sent_dict(sents,min_times=1,pos_seeds=["第一"],neg_seeds=["不行"])
        print("%s:%f" % ("威武",sent_dict["威武"]))
        print("%s:%f" % ("球员",sent_dict["球员"]))
        print("%s:%f" % ("上限",sent_dict["上限"]))
        ```
        
        > sentiment dictionary 
        > 威武:1.000000 
        > 球员:0.000000 
        > 上限:-1.000000
        
        ```python3
        print("\nsentence sentiment")
        sent = "武球王威武，中超最强球员！"
        print("%f:%s" % (ht.analyse_sent(sent),sent))
        ```
        > 0.600000:武球王威武，中超最强球员！
        
        如果没想好选择哪些词语作为“种子词”，本库中也内置了一个通用情感词典[内置资源](#内置资源)，可以从中挑选。
        
        <a id="信息检索"> </a>
        
        ### 信息检索
        可以从文档列表中查找出包含对应实体（及其别称）的文档，以及统计包含某实体的文档数。使用倒排索引的数据结构完成快速检索。
        ```python3
        docs = ["武磊威武，中超第一射手！",
        		"郜林看来不行，已经到上限了。",
        		"武球王威武，中超最强前锋！",
        		"武磊和郜林，谁是中国最好的前锋？"]
        inv_index = ht.build_index(docs)
        print(ht.get_entity_counts(docs, inv_index))  # 获得文档中所有实体的出现次数
        # {'武磊': 3, '郜林': 2, '前锋': 2}
        
        print(ht.search_entity("武磊", docs, inv_index))  # 单实体查找
        # ['武磊威武，中超第一射手！', '武球王威武，中超最强前锋！', '武磊和郜林，谁是中国最好的前锋？']
        
        print(ht.search_entity("武磊 郜林", docs, inv_index))  # 多实体共现
        # ['武磊和郜林，谁是中国最好的前锋？']
        
        # 谁是最被人们热议的前锋？用这里的接口可以很简便地回答这个问题
        subdocs = ht.search_entity("#球员# 前锋", docs, inv_index)
        print(subdocs)  # 实体、实体类型混合查找
        # ['武球王威武，中超最强前锋！', '武磊和郜林，谁是中国最好的前锋？']
        inv_index2 = ht.build_index(subdocs)
        print(ht.get_entity_counts(subdocs, inv_index2, used_type=["球员"]))  # 可以限定类型
        # {'武磊': 2, '郜林': 1}
        ```
        
        <a id="关系网络"> </a>
        ### 关系网络
        (使用networkx实现)
        利用词共现关系，建立其实体间图结构的网络关系(返回networkx.Graph类型)。可以用来建立人物之间的社交网络等。
        ```python3
        # 在现有实体库的基础上随时新增，比如从新词发现中得到的漏网之鱼
        ht.add_new_entity("颜骏凌", "颜骏凌", "球员")
        docs = ["武磊和颜骏凌是队友",
        		"武磊和郜林都是国内顶尖前锋"]
        G = ht.build_entity_graph(docs)
        print(dict(G.edges.items()))
        G = ht.build_entity_graph(docs, used_types=["球员"])
        print(dict(G.edges.items()))
        ```
        
        获得以一个词语为中心的词语网络，下面以三国第一章为例，探索主人公刘备的遭遇（下为主要代码，例子见[build_word_ego_graph()](./examples/basics.py#linking_strategy)）。
        ```python3
        entity_mention_dict, entity_type_dict = get_sanguo_entity_dict()
        ht0.add_entities(entity_mention_dict, entity_type_dict)
        sanguo1 = get_sanguo()[0]
        stopwords = get_baidu_stopwords()
        docs = ht0.cut_sentences(sanguo1)
        G = ht0.build_word_ego_graph(docs,"刘备",min_freq=3,other_min_freq=2,stopwords=stopwords)
        ```
        ![word_ego_net](/images/word_ego_net.jpg)
        
        刘关张之情谊，刘备投奔的靠山，以及刘备讨贼之经历尽在于此。
        
        <a id="文本摘要"> </a>
        ### 文本摘要
        (使用networkx实现)
        使用Textrank算法，得到从文档集合中抽取代表句作为摘要信息：
        ```python3
        print("\nText summarization")
        docs = ["武磊威武，中超第一射手！",
        		"郜林看来不行，已经到上限了。",
        		"武球王威武，中超最强前锋！",
        		"武磊和郜林，谁是中国最好的前锋？"]
        for doc in ht.get_summary(docs, topK=2):
        	print(doc)
        # 武球王威武，中超最强前锋！
        # 武磊威武，中超第一射手！	
        ```
        
        
        <a id="内置资源"> </a>
        ### 内置资源
        现在本库内集成了一些资源，方便使用和建立demo。
        
        资源包括：
        - 褒贬义词典 清华大学 李军 整理自http://nlp.csai.tsinghua.edu.cn/site2/index.php/13-sms
        - 百度停用词词典 来自网络：https://wenku.baidu.com/view/98c46383e53a580216fcfed9.html
        - 领域词典 来自清华THUNLP： http://thuocl.thunlp.org/ 全部类型`['IT', '动物', '医药', '历史人名', '地名', '成语', '法律', '财经', '食物']`
        
        
        此外，还提供了一个特殊资源——《三国演义》，包括：
        - 三国演义文言文文本
        - 三国演义人名、州名、势力知识库
        
        大家可以探索从其中能够得到什么有趣发现😁。
        
        ```python3
        def load_resources():
        	from harvesttext.resources import get_qh_sent_dict,get_baidu_stopwords,get_sanguo,get_sanguo_entity_dict
            sdict = get_qh_sent_dict()              # {"pos":[积极词...],"neg":[消极词...]}
            print("pos_words:",list(sdict["pos"])[10:15])
            print("neg_words:",list(sdict["neg"])[5:10])
            
            stopwords = get_baidu_stopwords()
            print("stopwords:", list(stopwords)[5:10])
        
            docs = get_sanguo()                 # 文本列表，每个元素为一章的文本
            print("三国演义最后一章末16字:\n",docs[-1][-16:])
            entity_mention_dict, entity_type_dict = get_sanguo_entity_dict()
            print("刘备 指称：",entity_mention_dict["刘备"])
            print("刘备 类别：",entity_type_dict["刘备"])
            print("蜀 类别：", entity_type_dict["蜀"])
            print("益州 类别：", entity_type_dict["益州"])
        load_resources()
        ```
        
        ```
        pos_words: ['宰相肚里好撑船', '查实', '忠实', '名手', '聪明']
        neg_words: ['散漫', '谗言', '迂执', '肠肥脑满', '出卖']
        stopwords: ['apart', '左右', '结果', 'probably', 'think']
        三国演义最后一章末16字:
         鼎足三分已成梦，后人凭吊空牢骚。
        刘备 指称： ['刘备', '刘玄德', '玄德']
        刘备 类别： 人名
        蜀 类别： 势力
        益州 类别： 州名
        ```
        
        加载清华领域词典，并使用停用词。
        ```python3
        def using_typed_words():
            from harvesttext.resources import get_qh_typed_words,get_baidu_stopwords
            ht0 = HarvestText()
            typed_words, stopwords = get_qh_typed_words(), get_baidu_stopwords()
            ht0.add_typed_words(typed_words)
            sentence = "THUOCL是自然语言处理的一套中文词库，词表来自主流网站的社会标签、搜索热词、输入法词库等。"
            print(sentence)
            print(ht0.posseg(sentence,stopwords=stopwords))
        using_typed_words()
        ```
        
        ```
        THUOCL是自然语言处理的一套中文词库，词表来自主流网站的社会标签、搜索热词、输入法词库等。
        [('THUOCL', 'eng'), ('自然语言处理', 'IT'), ('一套', 'm'), ('中文', 'nz'), ('词库', 'n'), ('词表', 'n'), ('来自', 'v'), ('主流', 'b'), ('网站', 'n'), ('社会', 'n'), ('标签', '财经'), ('搜索', 'v'), ('热词', 'n'), ('输入法', 'IT'), ('词库', 'n')]
        ```
        
        一些词语被赋予特殊类型IT,而“是”等词语被筛出。
        
        
        <a id="新词发现"> </a>
        ### 新词发现
        从比较大量的文本中利用一些统计指标发现新词。（可选）通过提供一些种子词语来确定怎样程度质量的词语可以被发现。（即至少所有的种子词会被发现，在满足一定的基础要求的前提下。）
        ```python3
        para = "上港的武磊和恒大的郜林，谁是中国最好的前锋？那当然是武磊武球王了，他是射手榜第一，原来是弱点的单刀也有了进步"
        #返回关于新词质量的一系列信息，允许手工改进筛选(pd.DataFrame型)
        new_words_info = ht.word_discover(para)
        #new_words_info = ht.word_discover(para, threshold_seeds=["武磊"])  
        new_words = new_words_info.index.tolist()
        print(new_words)
        ```
        
        > ["武磊"]
        
        具体的方法和指标含义，参考：http://www.matrix67.com/blog/archives/5044
        
        发现的新词很多都可能是文本中的特殊关键词，故可以把找到的新词登录，使后续的分词优先分出这些词。
        ```python3
        def new_word_register():
            new_words = ["落叶球","666"]
            ht.add_new_words(new_words)   # 作为广义上的"新词"登录
            ht.add_new_entity("落叶球", mention0="落叶球", type0="术语")  # 作为特定类型登录
            print(ht.seg("这个落叶球踢得真是666", return_sent=True))
            for word, flag in ht.posseg("这个落叶球踢得真是666"):
                print("%s:%s" % (word, flag), end=" ")
        ```
        > 这个 落叶球 踢 得 真是 666
        
        > 这个:r 落叶球:术语 踢:v 得:ud 真是:d 666:新词 
        
        也可以使用一些特殊的*规则*来找到所需的关键词，并直接赋予类型，比如全英文，或者有着特定的前后缀等。
        ```python3
        # find_with_rules()
        from harvesttext.match_patterns import UpperFirst, AllEnglish, Contains, StartsWith, EndsWith
        text0 = "我喜欢Python，因为requests库很适合爬虫"
        ht0 = HarvestText()
        
        found_entities = ht0.find_entity_with_rule(text0, rulesets=[AllEnglish()], type0="英文名")
        print(found_entities)
        print(ht0.posseg(text0))
        ```
        
        ```
        {'Python', 'requests'}
        [('我', 'r'), ('喜欢', 'v'), ('Python', '英文名'), ('，', 'x'), ('因为', 'c'), ('requests', '英文名'), ('库', 'n'), ('很', 'd'), ('适合', 'v'), ('爬虫', 'n')]
        ```
        	
        
        <a id="存取与消除"> </a>
        ### 存取消除
        可以本地保存模型再读取复用，也可以消除当前模型的记录。
        
        ```python3
        from harvesttext import loadHT,saveHT
        para = "上港的武磊和恒大的郜林，谁是中国最好的前锋？那当然是武磊武球王了，他是射手榜第一，原来是弱点的单刀也有了进步"
        saveHT(ht,"ht_model1")
        ht2 = loadHT("ht_model1")
        
        # 消除记录
        ht2.clear()
        print("cut with cleared model")
        print(ht2.seg(para))
        ```
        
        <a id="简易问答系统"> </a>
        ### 简易问答系统
        具体实现及例子在[naiveKGQA.py](./examples/naiveKGQA.py)中，下面给出部分示意：
        
        ```python
        QA = NaiveKGQA(SVOs, entity_type_dict=entity_type_dict)
        questions = ["你好","孙中山干了什么事？","谁发动了什么？","清政府签订了哪些条约？",
        			 "英国与鸦片战争的关系是什么？","谁复辟了帝制？"]
        for question0 in questions:
        	print("问："+question0)
        	print("答："+QA.answer(question0))
        ```
        
        ```
        问：孙中山干了什么事？
        答：就任临时大总统、发动护法运动、让位于袁世凯
        问：谁发动了什么？
        答：英法联军侵略中国、国民党人二次革命、英国鸦片战争、日本侵略朝鲜、孙中山护法运动、法国侵略越南、英国侵略中国西藏战争、慈禧太后戊戌政变
        问：清政府签订了哪些条约？
        答：北京条约、天津条约
        问：英国与鸦片战争的关系是什么？
        答：发动
        问：谁复辟了帝制？
        答：袁世凯
        ```
        
        ## More
        本库正在开发中，关于现有功能的改善和更多功能的添加可能会陆续到来。欢迎在issues里提供意见建议。觉得好用的话，也不妨来个Star~
        
        感谢以下repo带来的启发：
        
        [snownlp](https://github.com/isnowfy/snownlp)
        
        [pyhanLP](https://github.com/hankcs/pyhanlp)
        
        [funNLP](https://github.com/fighting41love/funNLP)
        
        [ChineseWordSegmentation](https://github.com/Moonshile/ChineseWordSegmentation)
        
        [EventTriplesExtraction](https://github.com/liuhuanyong/EventTriplesExtraction)
        
        
Keywords: NLP,tokenizing,entity linking,sentiment analysis
Platform: all
Classifier: License :: OSI Approved :: MIT License
Classifier: Operating System :: OS Independent
Classifier: Natural Language :: Chinese (Simplified)
Classifier: Natural Language :: Chinese (Traditional)
Classifier: Programming Language :: Python :: 3
Classifier: Topic :: Text Processing
