使用lac分词
1、需求
目前有一系列带有人名、机构的信息,需要将人名和机构名剥离梳理。python lac库可以实现精准定位分词。
2、参考文档
安装lac前的一些依赖关系解决,需要python版本3.7
https://www.freesion.com/article/4512610119/书签:成功解决问题:ModuleNotFoundError: No module named 'paddle'或者 No module named 'paddle.fluid' - 灰信网(软件开发博客聚合)
github lac项目文档
https://github.com/baidu/lac书签:GitHub - baidu/lac: 百度NLP:分词,词性标注,命名实体识别,词重要性
3、安装LAC
直接安装lac会出现报错,且该报错的setup.py文件无法找到,想通过修改字符集去解决无法实现
先安装lac需要的依赖环境,这里使用3.10版本python直接报错版本问题
.\pip.exe install paddlepaddle -i https://pypi.tuna.tsinghua.edu.cn/simple
.\pip.exe install paddlehub -i https://pypi.tuna.tsinghua.edu.cn/simpleBatch
降低python版本为3.7,重新尝试安装,这里会报出很多缺少module的错误,依次安装就行
总结一下安装需要的依赖环境包含:
common、dual、tight 、data、prox、paddle、paddlepaddle。最后安装LAC即可正常安装
4、LAC说明
参考GitHub项目文档:行内引用
LAC全称Lexical Analysis of Chinese,是百度自然语言处理部研发的一款联合的词法分析工具,实现中文分词、词性标注、专名识别等功能。该工具具有以下特点与优势:
- 效果好:通过深度学习模型联合学习分词、词性标注、专名识别任务,词语重要性,整体效果F1值超过0.91,词性标注F1值超过0.94,专名识别F1值超过0.85,效果业内领先。
- 效率高:精简模型参数,结合Paddle预测库的性能优化,CPU单线程性能达800QPS,效率业内领先。
- 可定制:实现简单可控的干预机制,精准匹配用户词典对模型进行干预。词典支持长片段形式,使得干预更为精准。(在模型输出的基础上,LAC还支持用户配置定制化的切分结果和专名类型输出。当模型预测匹配到词典的中的item时,会用定制化的结果替代原有结果。为了实现更加精确的匹配,我们支持以由多个单词组成的长片段作为一个item。通过装载词典文件的形式实现该功能,词典文件每行表示一个定制化的item,由一个单词或多个连续的单词组成,每个单词后使用'/'表示标签,如果没有'/'标签则会使用模型默认的标签。每个item单词数越多,干预效果会越精准。)
- 调用便捷:支持一键安装,同时提供了Python、Java和C++调用接口与调用示例,实现快速调用和集成。
- 支持移动端: 定制超轻量级模型,体积仅为2M,主流千元手机单线程性能达200QPS,满足大多数移动端应用的需求,同等体积量级效果业内领先。
词性和专名类别标签集合如下表,其中我们将最常用的4个专名类别标记为大写的形式
标签 | 含义 | 标签 | 含义 | 标签 | 含义 | 标签 | 含义 |
n | 普通名词 | f | 方位名词 | s | 处所名词 | nw | 作品名 |
nz | 其他专名 | v | 普通动词 | vd | 动副词 | vn | 名动词 |
a | 形容词 | ad | 副形词 | an | 名形词 | d | 副词 |
m | 数量词 | q | 量词 | r | 代词 | p | 介词 |
c | 连词 | u | 助词 | xc | 其他虚词 | w | 标点符号 |
PER | 人名 | LOC | 地名 | ORG | 机构名 | TIME | 时间 |
词语重要性各类别标签集合如下表,使用4-Level梯度进行分类:
标签 | 含义 | 常见于词性 |
0 | query中表述的冗余词 | p, w, xc ... |
1 | query中限定较弱的词 | r, c, u ... |
2 | query中强限定的词 | n, s, v ... |
3 | query中的核心词 | nz, nw, LOC ... |
示例:
带有词性标注和实体识别,装载LAC模型时模式选择为lac
单纯分词,在装载LAC模型时模式修改为seg
按词语重要性梯度分类(4-Level)
5、测试代码
# Date: 2022-03-30 16:58:06
# LastEditors: ZL
# LastEditTime: 2022-03-30 16:58:07
# FilePath: \pythonProjectc:\Users\ahs\Desktop\PycharmProjects\Scripts\PythonProject\人名识别1.py
# Description:
# coding=utf-8
from LAC import LAC
def lac_username(sentences: str) -> list:
# 装载LAC模型
user_name_list = []
lac = LAC(mode="lac")
lac_result = lac.run(sentences)
for index, lac_label in enumerate(lac_result[1]):
if lac_label == "ORG":
user_name_list.append(lac_result[0][index])
return user_name_lis
if __name__ == '__main__':
text = "2021年4月 兰州商学院 158 李志斌 1213 朱广 西北大学"
lac_user = lac_username(text)
print("LAC:", lac_user)