/ xmnlp /
轻量级中文自然语言处理工具
A Lightweight Chinese Natural Language Processing Toolkit
- 中文简体词法分析 (RoBERTa + CRF finetune)
- 分词
- 词性标注
- 命名体识别
- 中文拼写检查 (Detector + Corrector SpellCheck)
- 文本摘要 & 关键词提取 (Textrank)
- 情感分析 (RoBERTa finetune)
- 文本转拼音 (Trie)
- 汉字偏旁部首 (HashMap)
- 一. 安装
- 二. 使用文档
- 分词:seg
- 并行分词:seg_parallel
- 词性标注:tag
- 并行词性标注:tag_parallel
- 命名体识别:ner
- 并行命名体识别:ner_parallel
- 关键词提取:keyword
- 并行关键词提取:keyword_parallel
- 关键语句提取:keyphrase
- 并行关键语句提取:keyphrase_parallel
- 情感识别:sentiment
- 并行情感识别:sentiment_parallel
- 拼音提取:pinyin
- 并行拼音提取:pinyin_parallel
- 部首提取:radical
- 并行部首提取:radical_parallel
- 文本纠错:checker
- 并行文本纠错:checker_parallel
- 三. 更多
- Refrence
- License
安装最新版 xmnlp
pip install -U xmnlp
国内用户可以加一下 index-url
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -U xmnlp
git clone https://github.com/SeanLee97/xmnlp.git
cd /path/to/xmnlp
pip install -r requirements.txt
python setup.py install
请下载 xmnlp 对应版本的模型,如果不清楚 xmnlp 的版本,可以执行python -c 'import xmnlp; print(xmnlp.__version__)'
查看版本
模型名称 | 适用版本 | 下载地址 |
---|---|---|
xmnlp-models-v3.zip | v0.3.0, v0.3.1 | 飞书 [8eoo] | 百度网盘 [gvq3] |
* 如果下载地址失效了,烦请提 issue 反馈
提供两种设置方式
方式 1:配置环境变量(推荐)
下载好的模型解压后,可以设置环境变量指定模型地址。以 Linux 系统为例,设置如下
export XMNLP_MODEL=/path/to/xmnlp-models
方式 2:通过函数设置
在调用 xmnlp 前设置模型地址,如下
import xmnlp
xmnlp.set_model('/path/to/xmnlp-models')
* 上述 /path/to/
只是占位用的,配置时请替换成模型真实的目录地址。
中文分词。
参数:
- text:输入文本
结果返回:
- 列表,分词后的结果
示例:
>>> import xmnlp
>>> text = """xmnlp 是一款开源的轻量级中文自然语言处理工具🔧。
...: 功能涵盖:中文分词、词性标注、命名体识别、文本纠错,情感识别,文本转拼音、提取文本部首等。
...: 如果您有什么建议/疑问欢迎联系我 [email protected]"""
>>> print(xmnlp.seg(text))
['xmnlp', '是', '一款', '开源', '的', '轻量级', '中文', '自然语言', '处理', '工具', '🔧', '。', '功能', '涵盖', ':', '中文', '分', '词', '、', '词性', '标注', '、', '命名体识别', '、', '文本', '纠错', ',', '情感识别', ',', '文本', '转', '拼音', '、', '提取', '文', '本', '部', '首等', '。', '如果', '您', '有', '什么', '建议', '/', '疑问', '欢迎', '联系', '我', 'xmlee97', '@', 'gmail', '.', 'com']
并行处理中文分词。
参数:
- texts:文本列表
- n_jobs: 线程 worker 数
结果返回:
- generator
示例:
>>> import xmnlp
>>> texts = ['xmnlp 是一款开源的轻量级中文自然语言处理工具🔧',
...: '功能涵盖:中文分词、词性标注、命名体识别、文本纠错,情感识别,文本转拼音、提取文本部首等。']
>>> print(list(xmnlp.seg_parallel(texts)))
[['xmnlp', '是', '一款', '开源', '的', '轻量级', '中文', '自然语言', '处理', '工具', '🔧'], ['功能', '涵盖', ':', '中文', '分词', '、', '词', '性', '标注', '、', '命名体识别', '、', '文本', '纠错', ',', '情感识别', ',', '文本', '转', '拼音', '、', '提取', '文本', '部', '首等', '。']]
词性标注。
参数:
- text:输入文本
结果返回:
- 词和词性元组组成的列表
示例:
>>> import xmnlp
>>> text = """xmnlp 是一款开源的轻量级中文自然语言处理工具🔧。
...: 功能涵盖:中文分词、词性标注、命名体识别、文本纠错,情感识别,文本转拼音、提取文本部首等。
...: 如果您有什么建议/疑问欢迎联系我 [email protected]"""
>>> print(xmnlp.tag(text))
[('xmnlp', 'x'), ('是', 'v'), ('一款', 'm'), ('开源', 'v'), ('的', 'u'), ('轻量级', 'b'), ('中文', 'nz'), ('自然语言', 'nz'), ('处理', 'v'), ('工具', 'n'), ('🔧', 'n'), ('。', 'w'), ('功能', 'n'), ('涵盖', 'v'), (':', 'w'), ('中文', 'nz'), ('分', 'q'), ('词', 'n'), ('、', 'w'), ('词性', 'nz'), ('标注', 'v'), ('、', 'w'), ('命名体识别', 'g'), ('、', 'w'), ('文本', 'n'), ('纠错', 'vn'), (',', 'w'), ('情感识别', 'nz'), (',', 'w'), ('文本', 'n'), ('转', 'v'), ('拼音', 'n'), ('、', 'w'), ('提取', 'v'), ('文', 'ng'), ('本', 'r'), ('部', 'q'), ('首等', 'b'), ('。', 'w'), ('如果', 'c'), ('您', 'r'), ('有', 'v'), ('什么', 'r'), ('建议', 'n'), ('/', 'w'), ('疑问', 'n'), ('欢迎', 'v'), ('联系', 'vn'), ('我', 'r'), ('xmlee97', 'x'), ('@', 'w'), ('gmail', 'x'), ('.', 'w'), ('com', 'x')]
xmnlp.tag_parallel(texts: List[str], n_jobs: int = 2) -> Generator[List[Tuple(str, str)], None, None]:
并行处理词性标注。
参数:
- texts:文本列表
- n_jobs: 线程 worker 数
结果返回:
- generator
示例:
>>> import xmnlp
>>> texts = ['xmnlp 是一款开源的轻量级中文自然语言处理工具🔧',
...: '功能涵盖:中文分词、词性标注、命名体识别、文本纠错,情感识别,文本转拼音、提取文本部首等。']
>>> print(list(xmnlp.tag_parallel(texts)))
[[('xmnlp', 'x'), ('是', 'v'), ('一款', 'm'), ('开源', 'v'), ('的', 'u'), ('轻量级', 'b'), ('中文', 'nz'), ('自然语言', 'nz'), ('处理', 'v'), ('工具', 'n'), ('🔧', 'w')], [('功能', 'n'), ('涵盖', 'v'), (':', 'w'), ('中文', 'nz'), ('分词', 'n'), ('、', 'w'), ('词', 'n'), ('性', 'ng'), ('标注', 'v'), ('、', 'w'), ('命名体识别', 'nz'), ('、', 'w'), ('文本', 'n'), ('纠错', 'vn'), (',', 'w'), ('情感识别', 'nz'), (',', 'w'), ('文本', 'n'), ('转', 'v'), ('拼音', 'n'), ('、', 'w'), ('提取', 'v'), ('文本', 'n'), ('部', 'q'), ('首等', 'v'), ('。', 'w')]]
命名体识别,支持识别的实体类型为:
- TIME:时间
- LOCATION:地点
- PERSON:人物
- JOB:职业
- ORGANIZAIRION:机构
参数:
- text:输入文本
结果返回:
- 实体、实体类型、实体起始位置和实体结尾位置组成的列表
示例:
>>> import xmnlp
>>> text = "现任美国总统是拜登。"
>>> print(xmnlp.ner(text))
[('美国', 'LOCATION', 2, 4), ('总统', 'JOB', 4, 6), ('拜登', 'PERSON', 7, 9)]
xmnlp.ner_parallel(texts: List[str], n_jobs: int = 2) -> Generator[List[Tuple(str, str, int, int)] None, None]:
并行处理命名体识别。
参数:
- texts:文本列表
- n_jobs: 线程 worker 数
结果返回:
- generator
示例:
>>> import xmnlp
>>> texts = ['现任美国总统是拜登',
...: '前任美国总统是特朗普']
>>> print(list(xmnlp.tag_parallel(texts)))
[[('美国', 'LOCATION', 2, 4), ('总统', 'JOB', 4, 6), ('拜登', 'PERSON', 7, 9)], [('美国', 'LOCATION', 2, 4), ('总统', 'JOB', 4, 6), ('特朗普', 'PERSON', 7, 10)]]
xmnlp.keyword(text: str, k: int = 10, stopword: bool = True, allowPOS: Optional[List[str]] = None) -> List[Tuple[str, float]]
从文本中提取关键词,基于 Textrank 算法。
参数:
- text:文本输入
- k:返回关键词的个数
- stopword:是否去除停用词
- allowPOS:配置允许的词性
结果返回:
- 由关键词和权重组成的列表
示例:
>>> import xmnlp
>>> text = """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.keyword(text))
[('自然语言', 2.3000579596585897), ('语言', 1.4734141257937314), ('计算机', 1.3747500999598312), ('转化', 1.2687686226652466), ('系统', 1.1171384775870152), ('领域', 1.0970728069617324), ('人类', 1.0192131829490039), ('生成', 1.0075197087342542), ('认知', 0.9327188339671753), ('指', 0.9218423928455112)]
xmnlp.keyword_parallel(texts: List[str], k: int = 10, stopword: bool = True, allowPOS: Optional[List[str]] = None, n_jobs: int = 2) -> Generator[List[Tuple[str, float]], None, None]
并行处理关键词提取。
参数:
- texts:文本列表
- k:返回关键词的个数
- stopword:是否去除停用词
- allowPOS:配置允许的词性
- n_jobs: 线程 worker 数
结果返回:
- generator
示例:
>>> import xmnlp
>>> docs = ["""自然语言处理: 是人工智能和语言学领域的分支学科。\n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。 \n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。""",
...: """xmnlp 是一款开源的轻量级中文自然语言处理工具🔧。 功能涵盖:中文分词、词
...: 性标注、命名体识别、文本纠错,情感识别,文本转拼音、提取文本部首等。 如果
...: 您有什么建议/疑问欢迎联系我 [email protected]"""]
>>> print(list(xmnlp.keyword_parallel(docs)))
[[('自然语言', 2.3000579596585897), ('语言', 1.4734141257937314), ('计算机', 1.3747500999598312), ('转化', 1.2687686226652466), ('系统', 1.1171384775870152), ('领域', 1.0970728069617324), ('人类', 1.0192131829490039), ('生成', 1.0075197087342542), ('认知', 0.9327188339671753), ('指', 0.9218423928455112)], [('文本', 1.4318894662141104), ('中文', 1.3756785780080754), ('建议', 1.1420258441127817), ('提取文本', 1.1214039563905946), ('拼音', 1.106313873517177), ('分词', 1.0886571300192784), ('词', 1.0816698383766425), ('标注', 1.0773997802582003), ('疑问', 1.0279032612606591), ('工具', 1.02290616843714)]]
从文本中提取关键句,基于 Textrank 算法。
参数:
- text:文本输入
- k:返回关键词的个数
- stopword:是否去除停用词
结果返回:
- 由关键词和权重组成的列表
示例:
>>> import xmnlp
>>> text = """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.keyphrase(text, k=2))
['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', '自然语言生成系统把计算机数据转化为自然语言']
xmnlp.keyphrase_parallel(texts: List[str], k: int = 10, stopword: bool = False, n_jobs: int = 2) -> Generator[List[str], None, None]
并行处理关键句提取。
参数:
- texts:文本列表
- k:返回关键词的个数
- stopword:是否去除停用词
- allowPOS:配置允许的词性
- n_jobs: 线程 worker 数
结果返回:
- generator
示例:
>>> import xmnlp
>>> docs = ["""自然语言处理: 是人工智能和语言学领域的分支学科。\n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。 \n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。""",
...: """xmnlp 是一款开源的轻量级中文自然语言处理工具🔧。 功能涵盖:中文分词、词
...: 性标注、命名体识别、文本纠错,情感识别,文本转拼音、提取文本部首等。 如果
...: 您有什么建议/疑问欢迎联系我 [email protected]"""]
>>> print(list(xmnlp.keyphrase_parallel(docs, k=2)))
[['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', '自然语言生成系统把计算机数据转化为自然语言'], ['如果您有什么建议/疑问欢迎联系我[email protected]', '文本转拼音、提取文本部首等']]
情感识别,基于电商评论语料训练,适用于电商场景下的情感识别。
参数:
- text:输入文本
结果返回:
- 元组,格式为:[负向情感概率,正向情感概率]
示例:
>>> import xmnlp
>>> text = "这本书真不错,下次还要买"
>>> print(xmnlp.sentiment(text))
(0.02727833203971386, 0.9727216958999634)
并行处理情感识别。
参数:
- texts:文本列表
- n_jobs: 线程 worker 数
结果返回:
- generator
示例:
>>> import xmnlp
>>> texts = ["这本书真不错,下次还要买", "垃圾书一本"]
>>> print(list(xmnlp.sentiment_parallel(text)))
[(0.02727833203971386, 0.9727216958999634),
(0.9930351972579956, 0.006964794360101223)]
文本转拼音
参数:
- text:输入文本
结果返回:
- 拼音组成的列表
示例:
>>> import xmnlp
>>> text = "自然语言处理"
>>> print(xmnlp.pinyin(text))
['Zi', 'ran', 'yu', 'yan', 'chu', 'li']
并行处理文本转拼音。
参数:
- texts:文本列表
- n_jobs: 线程 worker 数
结果返回:
- generator
示例:
>>> import xmnlp
>>> texts = ["自然语言处理", "人工智能"]
>>> print(list(xmnlp.pinyin_parallel(text)))
[['Zi', 'ran', 'yu', 'yan', 'chu', 'li'], ['ren', 'gong', 'zhi', 'neng']]
提取文本部首
参数:
- text:输入文本
结果返回:
- 部首组成的列表
示例:
>>> import xmnlp
>>> text = "自然语言处理"
>>> print(xmnlp.radical(text))
['自', '灬', '讠', '言', '夂', '王']
并行处理文本部首提取。
参数:
- texts:文本列表
- n_jobs: 线程 worker 数
结果返回:
- generator
示例:
>>> import xmnlp
>>> texts = ["自然语言处理", "人工智能"]
>>> print(list(xmnlp.radical_parallel(text)))
[['自', '灬', '讠', '言', '夂', '王'], ['人', '工', '日', '月']]
xmnlp.checker(text: str, suggest: bool = True, k: int = 5, max_k: int = 200) -> Union[ List[Tuple[int, str]], Dict[Tuple[int, str], List[Tuple[str, float]]]]:
文本纠错
参数:
- text:输入文本
- suggest:是否返回建议词
- k:返回建议词的个数
- max_k:拼音搜索最大次数(建议保持默认值)
结果返回:
- suggest 为 False 时返回 (错词下标,错词) 列表;suggest 为 True 时返回字典,字典键为(错词下标,错词) 列表,值为建议词以及权重列表。
示例:
>>> import xmnlp
>>> text = "不能适应体育专业选拔人材的要求"
>>> print(xmnlp.checker(text))
{(11, '材'): [('才', 1.58528071641922), ('材', 1.0009655653266236), ('裁', 1.0000178480604518), ('员', 0.35814568400382996), ('士', 0.011077565141022205)]}
xmnlp.checker_parallel(texts: List[str], suggest: bool = True, k: int = 5, max_k: int = 200, n_jobs: int = 2) -> Generator[ Union[List[Tuple[int, str]], Dict[Tuple[int, str], List[Tuple[str, float]]] ], None, None]:
并行处理文本纠错。
参数:
- texts:文本列表
- suggest:是否返回建议词
- k:返回建议词的个数
- max_k:拼音搜索最大次数(建议保持默认值)
- n_jobs: 线程 worker 数
结果返回:
- generator
示例:
>>> import xmnlp
>>> texts = ['开展公共资源交易活动监督检查和举报投拆处理。', '不能适应体育专业选拔人材的要求。', '比对整治前后影相资料。', '保护好堪查现场。']
>>> print(list(xmnlp.checker_parallel(text)))
[{(18, '拆'): [('资', 0.41119733452796936), ('诉', 0.21499130129814148), ('票', 0.11507325619459152), ('入', 0.07330290228128433), ('明', 0.009785536676645279)]}, {(11, '材'): [('才', 1.58528071641922), ('材', 1.0009655653266236), ('裁', 1.0000178480604518), ('员', 0.35814568400382996), ('士', 0.011077565141022205)]}, {(7, '相'): [('响', 1.1048823446035385), ('像', 1.0515491589903831), ('相', 1.000226703719818), ('乡', 1.0002082456485368), ('的', 0.29209405183792114)]}, {(3, '堪'): [('看', 1.0040899985469878), ('勘', 1.00186610117089), ('检', 0.16447395086288452), ('调', 0.1378173977136612), ('考', 0.0857236310839653)]}]
期待更多小伙伴的 contributions,一起打造一款简单易用的中文 NLP 工具
@misc{
xmnlp,
title={XMNLP: A Lightweight Chinese Natural Language Processing Toolkit},
author={Xianming Li},
year={2018},
publisher={GitHub},
howpublished={\url{https://github.com/SeanLee97/xmnlp}},
}
本人致力于 NLP 研究和落地,方向包括:信息抽取,情感分类等。
其他 NLP 落地需求可以联系 [email protected] (此为有偿服务,xmnlp 相关的 bug 直接提 issue)
搜索公众号 xmnlp-ai
关注,菜单选择 “交流群” 入群。
本项目采用的数据主要有:
- 词法分析,文本纠错:人民日报语料
- 情感识别:ChineseNlpCorpus