jiagu自然语言处理工具
an NLP toolkit for Chinese. This is a golang port from the original python3 liberary
Jiagu使用大规模语料训练而成。将提供中文分词、词性标注、命名实体识别、情感分析、知识图谱关系抽取、关键词抽取、文本摘要、新词发现、情感分析、文本聚类等常用自然语言处理功能。参考了各大工具优缺点制作，将Jiagu回馈给大家。
提供的功能有：
- 中文分词
- 词性标注
- 命名实体识别
- 知识图谱关系抽取
- 关键词提取
- 文本摘要
- 新词发现
- 情感分析
- 文本聚类
- 等等。。。。
模型转换
原始模型文件来自python版本, 为pickle或marshal格式，需要先转换json，再转成gob后gzip压缩
-
pickle/marshal模型转json (sentiment.model 为marshal格式)
python ./cmd/modelconverter/pickle2json.py pickle.model ./data/model/xxx.json python ./cmd/modelconverter/marshal2json.py pickle.model ./data/model/xxx.json -
json模型文件转gob后gzip压缩
go run ./cmd/modelconverter/main.go -i ./data/model/xxx.json -o ./model/xxx.model go run ./cmd/modelconverter/main.go -i ./data/model/xxx.json -o ./model/xxx.model --sentiment // 仅对sentiment.model使用
使用方式
- 快速上手：分词、词性标注、命名实体识别
import "github.com/bububa/jiagu"
func main() { // 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
pos := jiagu.Pos(words) // 词性标注
ner := jiagu.Ner(words) // 命名实体识别}
2. 中文分词
```golang
import "github.com/bububa/jiagu"
func main() {
text := "汉服和服装、维基图谱"
words := jiagu.Seg(text)
// fd, err := os.Open("user.dict")
// defer fd.Close()
// jiagu.LoadUserDict(fd) # 加载自定义字典，支持字典路径、字典列表形式。
jiagu.AddVocabs([]string{"汉服和服装"})
words := jiagu.Seg(text) // 自定义分词，字典分词模式有效
}- 知识图谱关系抽取
import "github.com/bububa/jiagu"
func main() { text := '姚明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。' knowledge := jiagu.Knowledge(text) }
训练数据：https://github.com/ownthink/KnowledgeGraphData
4. 关键词提取
```golang
import "github.com/bububa/jiagu"
func main() {
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)
}- 文本摘要
import "github.com/bububa/jiagu"
func main() { summarize := jiagu.Summarize(text, 3) # 摘要 }
6. 新词发现
```golang
import "github.com/bububa/jiagu"
func main() {
fd, err := os.Open("input.txt")
defer fd.Close()
words, err := jiagu.Findword(fd, 0, 0, 0) // 根据文本，利用信息熵做新词发现。
}- 情感分析
import "github.com/bububa/jiagu"
func main() { text := "很讨厌还是个懒鬼" words := jiagu.Seg(text) sentiment, probe := jiagu.Sentiment(words) }
8. 文本聚类
```golang
import "github.com/bububa/jiagu"
func main() {
docs := []string {
"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",
}
tokenizer := func(txt string) []string {
return jiagu.Seg(txt)
}
cluster := jiagu.KmeansCluster(docs, tokenizer, 4)
}
print(cluster)附录
-
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