lightText
文本处理相关库，目前包括新词发现、字符串提取等功能。
功能
- 新词发现
- 字符串提取
安装
pip install lightText建议使用国内源来安装，如使用以下命令：
pip install -i https://pypi.douban.com/simple/ lightText使用
1.新词发现
目前主要是根据统计指标判别两个词是否可以连结成一个新词，并没有考虑三个词组词的情况。主要原理是互信息和左右熵。
使用示例
from lighttext import NewWordDetector
if __name__ == '__main__':
detector = NewWordDetector()
detector.load_file('new_word/test_new_word3.txt')
print(detector.get_top_k(5))其中，文本内容如下：
知识图谱（Knowledge Graph），在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。它能为学科研究提供切实的、有价值的参考。
具体来说，知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。它把复杂的知识领域通过数据挖掘、信息处理、知识计量和图形绘制而显示出来，揭示知识领域的动态发展规律，为学科研究提供切实的、有价值的参考。迄今为止，其实际应用在发达国家已经逐步拓展并取得了较好的效果，但它在我国仍属研究的起步阶段。
运行结果
[('知识_图谱', 0.4759861448031701), ('可视化_技术', 0.43589887951973), ('知识_领域', 0.4213569981012666), ('共现_分析', 0.38939972966154035), ('计量学_引文', 0.3790459908198307)]
2.字符串提取
基于AC自动机的高效的字符串匹配提取工具，可以直接得到覆盖最多字的提取结果。主要原理是AC自动机、字典树、动态规划算法。
使用示例
from lighttext import KeywordProcessor
if __name__ == '__main__':
kp = KeywordProcessor()
kp.add_keyword("曹操")
kp.add_keyword("曹丕")
kp.add_keyword("司马懿")
kp.add_keyword("司马")
stn = "曹操、曹丕和司马懿一起去吃大盘鸡。"
print(kp.extract_keywords(stn))运行结果
['曹操', '曹丕', '司马懿']
参考
NLP
- 基于互信息和左右信息熵的短语提取识别-码农场
- 互联网时代的社会语言学：基于SNS的文本数据挖掘 | Matrix67: The Aha Moments
- python3实现互信息和左右熵的新词发现 - 简书
源码
- xylander23/New-Word-Detection: 新词发现算法(NewWordDetection)
- zhanzecheng/Chinese_segment_augment: python3实现互信息和左右熵的新词发现
- vi3k6i5/flashtext: Extract Keywords from sentence or Replace keywords in sentences.
Python
- Can't pickle local object 'DataLoader.init..' - vision - PyTorch Forums
- python3.X中pickle类的用法（cPickle模块移除了）_python,pickle_lanqiu5ge的专栏-CSDN博客
- python - copy.deepcopy vs pickle - Stack Overflow
- Python中collections.defaultdict()使用 - 简书
数据结构
打赏
如果该项目对您有所帮助，欢迎打赏~
