SpaCy 中文模型

為 SpaCy 提供的中文數(shù)據(jù)模型. 模型目前還處于 beta 公開測(cè)試的狀態(tài) 。

在線演示

基于 Jupyter notebook 的在線演示在 。

特性

部分 王小明在北京的清華大學(xué)讀書 這個(gè) Doc 對(duì)象的屬性信息:

NER (New!)

部分 王小明在北京的清華大學(xué)讀書 這個(gè) Doc 對(duì)象的 NER 信息:

開始使用

模型用二進(jìn)制文件的形式進(jìn)行分發(fā), 用戶應(yīng)該具備基礎(chǔ)的 SpaCy (version > 2) 的基礎(chǔ)知識(shí).

系統(tǒng)要求

Python 3 (也許支持 python2, 但未經(jīng)過良好測(cè)試)

安裝

下載模型

從 releases 頁面下載模型 (New! 為中國(guó)地區(qū)的用戶提供了加速下載的鏈接)。假設(shè)所下載的模型名為 zh_core_web_sm-2.x.x.tar.gz。

安裝模型

pip install zh_core_web_sm-2.x.x.tar.gz

為了方便后續(xù)在 Rasa NLU 等框架中使用，需要再為這個(gè)模型建立一個(gè)鏈接，by 執(zhí)行以下命令：

spacy link zh_core_web_sm zh

運(yùn)行完成后就可以使用 zh 這個(gè)別名來訪問這個(gè)模型了。

運(yùn)行 Demo 代碼

Demo 代碼位于 test.py. 在安裝好模型后，用戶下載或者克隆本倉庫的代碼，然后可以直接執(zhí)行

python3 ./test.py

打開地址 http://127.0.0.1:5000, 將看到如下：

如何從零構(gòu)造這個(gè)模型

語料庫

本項(xiàng)目使用的語料庫是 OntoNotes 5.0。

由于 OntoNotes 5.0 是 LDC (Linguistic Data Consortium) 的版權(quán)材料，無法直接包含在本項(xiàng)目中。好消息是，OntoNotes 5.0 對(duì)于 團(tuán)體用戶(包含企業(yè)和學(xué)術(shù)組織)是完全免費(fèi)的。用戶可以建立一個(gè)企業(yè)或者學(xué)術(shù)組織賬號(hào)，然后免費(fèi)獲取 OntoNotes 5.0。

TODO list

屬性 pos_ 不正確. 這個(gè)和 SpaCy 中中文語言 Class 相關(guān)。

屬性 shape_ and is_alpha 似乎對(duì)中文并無意義, 但需要權(quán)威信息確認(rèn)一下.

屬性 is_stop 不正確. 這個(gè)和 SpaCy 中中文語言 Class 相關(guān)。

屬性 vector 似乎沒有訓(xùn)練的很好。

屬性 is_oov 完全錯(cuò)誤. 第一優(yōu)先級(jí)修復(fù)。

NER 模型，因?yàn)槿鄙?LDC 語料庫，目前不可用. 正在解決中正在訓(xùn)練中。

將訓(xùn)練中所用的中間結(jié)果 release 出來, 方便用戶自行定制模型

使用的組件

TODO

如何貢獻(xiàn)

請(qǐng)閱讀 CONTRIBUTING.md , 然后提交 pull requests 給我們.

版本化控制

我們使用 SemVer 做版本化的標(biāo)準(zhǔn). 查看 tags 以了解所有的版本.

作者

Xiaoquan Kong - Initial work - howl-anderson

更多貢獻(xiàn)者信息，請(qǐng)參考 contributors.

版權(quán)

MIT License - 詳見 LICENSE.md

致謝

TODO

總結(jié)

以上是生活随笔為你收集整理的spacy库的安装与使用_为 SpaCy 提供的中文数据模型的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。