Tímový projekt 2020, Maroš Harahus

Spracovanie prirodzeného jazyka

Je založené na umelej inteligencii, ktorá sa zaoberá interakciami medzi počítačom a jazykmi. NLP uľahčuje proces analýzy a porozumenia ľudského jazyka pre počítače a umelú inteligenciu. Pomáha extrahovať informácie z textu. V dnešnej dobe sa textové údaje vytvárajú vo veľkom množstve a je ich dôležité spravovať a odovzdať informácie z neštruktúrovaných údajov. Preto musíme údaje reprezentovať vo formáte v ktorom počítače rozumejú a v tomto prípade nám pomáha NLP. Má niekoľko prípadov použitia:

• Automatické zhrnutie
• Uznanie pomenovaného subjektu
• Systémy odpovedania na otázky
• Analýza sentimentu

SPACY

Je bezplatná knižnica pre NLP v programovacom jazyku python. Táto knižnica je napísala v Cythone a je určená pre budovanie extrakcie informácii alebo pochopenie prirodzeného jazyka. Je navrhnutý pre použitie v pythone a ponuka priateľské rozhranie API.

Detekcia viet

Detekcia viet je proces lokalizácie začiatku a konca vety v danom texte. Tato detekcia nám umožňuje rozdeliť vetu resp. text na jazykovo významne jednotky. Tieto jednotky potom môžem využívať pri spracovaní text na vykonávanie úloh ako napríklad označovanie reči.

Part-of-speech (Part of Speech)

Značkovanie pomocou Part of Speech je proces označovania slova pomocou príslušnej časti reči, ako je podstatné meno, prídavné meno, sloveso, príslovka atď. Podľa gramatických pravidiel jazyka, ktoré sa ďalej konštruujú na základe kontextu výskytu slova a jeho vzťahy s inými slovami vo vete. Po tokenizácii môže spacy daný objekt označiť pomocou svojich najmodernejších štatistických modelov. Značky sú k dispozícii ako atribút objektu Token.

Tokenizácia

Tokenizácia sa voľne označuje ako segmentácia textového dokumentu na slová, ktoré sa tiež nazývajú tokeny. Token je definovaný ako postupnosť znakov, ktoré spolu tvoria sémantickú jednotku pri spracovaní textu. V niektorých kontextoch nemusia byť tokeny slovami a môžu pozostávať zo slov alebo dokonca viacslovných fráz v závislosti od toho, čo sa považuje za sémantickú jednotku. Spacy tonizuje daný text na slová a interpunkcie použitím pravidiel, ktoré sú vyladené pre konkrétny jazyk. Najnákladnejšie pravidlo pre anglický jazyk je rozdelenie postupnosti znakov v texte na medzery (napr. Medzeru), často známe ako točenie medzier.

• text_with_ws tlačí tokenový text s medzerou (ak je k dispozícii),
• is_alpha zistí, či token pozostáva z abecedných znakov alebo nie,
• is_punct zistí, či je token interpunkčný symbol alebo nie,
• is_space zistí, či je token medzerou alebo nie,
• shape_ vytlačí tvar slova,
• is_stop zistí, či je token zastavovacím slovom alebo nie,

Skratka	Anglicky vyznam	Slovensky vyznam
ADJ	adjective	prídavné meno
ADP	adposition	umiestnenie
ADV	adverb	príslovka
AUX	auxiliary verb	pomocné sloveso
CONJ	coordinating conjunction	koordinačná spojka
DET	determiner	determinant
INTJ	interjection	prerušenie
NOUN	noun	podstatné meno
NUM	numeral	číslice
PART	particle	častica
PRON	pronoun	zámeno
PROPN	proper noun	vlastné meno
PUNCT	punctuation	interpunkcia
SCONJ	subordinating conjunction	podriadená spojka
SYM	symbol	symbol
VERB	verb	sloveso
X	other	iné

Inštalácia spacy

pip install -U spaCy //instalacia spacy
python -m spacy download en //instalacia anglickeho jazyka

prvý kód

import spacy
nlp = spacy.load('en')
doc = nlp('Hello     World!')
for token in doc:
    print('"' + token.text + '"', token.idx)
#Vystup
# "Hello" 0
# "    " 6
# "World" 10
# "!" 15

Ako prvé si importujeme spacy knižnicu. Zadáme vetu, ktorú chceme prejsť tokenizáciu. V tomto pípade používame iba dva tokeny. Prvý nám vypíše text a medzeri, druhý token nám napíše, na ktorom mieste sa nachádza naše slovo.

doc = nlp("Next week I'll   be in Madrid.")
for token in doc:
    print("{0}\t{1}\t{2}\t{3}\t{4}\t{5}\t{6}\t{7}".format(
        token.text,
        token.idx,
        token.lemma_,
        token.is_punct,
        token.is_space,
        token.shape_,
        token.pos_,
        token.tag_
    ))

#vystup
# Next  0   next    False   False   Xxxx    ADJ JJ
# week  5   week    False   False   xxxx    NOUN    NN
# I 10  -PRON-  False   False   X   PRON    PRP
# 'll   11  will    False   False   'xx VERB    MD
#       15      False   True        SPACE   _SP
# be    17  be  False   False   xx  VERB    VB
# in    20  in  False   False   xx  ADP IN
# Madrid    23  madrid  False   False   Xxxxx   PROPN   NNP
# . 29  .   True    False   .   PUNCT  

• token.text reprezentácia textu dokumentu v Unicode,
• token.idx znakový index začiatku,
• token.lemma_ základná podoba tokenu bez inflexných prípon,
• token.is_punct je to interpunkcia znamienka,
• token.is_space pozostáva token z bielych znakov,
• token.shape_ transformácia reťazca tokenov na zobrazenie ortografických prvkov, napríklad „Xxxx“ alebo „dd“
• token.pos_ hrubozrnná časť reči,
• token.tag_ jemnozrnná reč.

Poďme si rozobrať výstup prvého slova Next. Ako prvé sa nám vypíše samotné slovo, ďalej nasleduje, na ktorom indexe slovo začína. V našom prípade je to index 0. V ďalšom stĺpci máme slovo napísané pomocou malých písmen. Ďalšie dva stĺpce nám zisťujú, či dané slovo obsahuje interpunkčné znamienko (napr. apostrof) a či slovo nepozostáva z medzery. Predposledný stĺpec nám zisťuje, aký slovný druh (viď. tabuľku nižšie) je dané slovo v našom prípade je to podstatné meno atd.

Detekcia vety

doc = nlp("These are apples. These are oranges.")

for sent in doc.sents:
    print(sent)

# These are apples.
# These are oranges.

Pomenovanie entit

import spacy

nlp = spacy.load("en_core_web_sm")
doc = nlp("Apple is looking at buying U.K. startup for $1 billion")

for ent in doc.ents:
    print(ent.text, ent.start_char, ent.end_char, ent.label_)

#Apple 0 5 ORG
#U.K. 27 31 GPE
#$1 billion 44 54 MONEY

Na tomto príklade môžme pozorovať, že spacy dokáže rozlíšiť slova. Dokáže zistiť či dané slovo je napr. mesto(GPE-Geopolitical entity) alebo nejaká organizácia (ORG- Companies). Ďalej vie určiť či sa jedná o dátum, sumu peňazí, osobu atď. .

Next Post