756 5

NLP民工的乐园: 几乎最全的中文NLP资源库 [分享]

  • 3关注
  • 22粉丝

运营管理员

学科带头人

27%

还不是VIP/贵宾

-

威望
2
论坛币
121766 个
通用积分
101.1860
学术水平
61 点
热心指数
64 点
信用等级
53 点
经验
23156 点
帖子
565
精华
4
在线时间
768 小时
注册时间
2019-9-11
最后登录
2020-7-9

AIU人工智能学院 学生认证  发表于 2020-6-29 10:44:05 |显示全部楼层
  • 词库
  • 工具包
  • 学习资料

在入门到熟悉NLP的过程中,用到了很多github上的包,遂整理了一下,分享在这里。

很多包非常有趣,值得收藏,满足大家的收集癖!



1. textfilter: 中英文过滤observerss/textfilter

  1. >>> f = DFAFilter() >>> f.add("sexy") >>> f.filter("hello sexy baby") hello **** baby
复制代码

2. langid:97种语言检测 https://github.com/saffsd/langid.py

  1. pip install langid
  2. >>> import langid>>> langid.classify("This is a test")('en', -54.41310358047485)
复制代码

3. langdetect:另一个语言检测https://code.google.com/archive/p/language-detection/

  1. pip install langdetect

  2. from langdetect import detect
  3. from langdetect import detect_langs
  4. s1 = "本篇博客主要介绍两款语言探测工具,用于区分文本到底是什么语言,"
  5. s2 = 'We are pleased to introduce today a new technology'
  6. print(detect(s1))
  7. print(detect(s2))
  8. print(detect_langs(s3))   
  9. # detect_langs()输出探测出的所有语言类型及其所占的比例
复制代码

输出结果如下:

注:语言类型主要参考的是ISO 639-1语言编码标准,详见ISO 639-1百度百科

跟上一个语言检测比较,准确率低,效率高。


4. phone 中国手机归属地查询: ls0f/phone

已集成到 python package cocoNLP中,欢迎试用

  1. from phone import Phone
  2. p  = Phone()
  3. p.find(18100065143)
  4. #return {'phone': '18100065143', 'province': '上海', 'city': '上海', 'zip_code': '200000', 'area_code': '021', 'phone_type': '电信'}
复制代码


支持号段: 13*,15*,18*,14[5,7],17[0,6,7,8]

记录条数: 360569 (updated:2017年4月)

作者提供了数据phone.dat 方便非python用户Load数据。

5. phone国际手机、电话归属地查询:AfterShip/phone

  1. npm install phone

  2. import phone from 'phone';
  3. phone('+852 6569-8900');
  4. // return ['+85265698900', 'HKG']phone('(817) 569-8900');
  5. // return ['+18175698900, 'USA']
复制代码


6. ngender 根据名字判断性别:observerss/ngender 基于朴素贝叶斯计算的概率

  1. pip install ngender

  2. >>> import ngender
  3. >>> ngender.guess('赵本山')('male', 0.9836229687547046)
  4. >>> ngender.guess('宋丹丹')('female', 0.9759486128949907)
复制代码

7. 抽取email的正则表达式

已集成到 python package cocoNLP中,欢迎试用

email_pattern = '^[*#\u4e00-\u9fa5 a-zA-Z0-9_.-]+@[a-zA-Z0-9-]+(\.[a-zA-Z0-9-]+)*\.[a-zA-Z0-9]{2,6}$'emails = re.findall(email_pattern, text, flags=0)

8. 抽取phone_number的正则表达式

已集成到 python package cocoNLP中,欢迎试用

cellphone_pattern = '^((13[0-9])|(14[0-9])|(15[0-9])|(17[0-9])|(18[0-9]))\d{8}$'
phoneNumbers = re.findall(cellphone_pattern, text, flags=0)

9. 抽取身份证号的正则表达式

IDCards_pattern = r'^([1-9]\d{5}[12]\d{3}(0[1-9]|1[012])(0[1-9]|[12][0-9]|3[01])\d{3}[0-9xX])$'
IDs = re.findall(IDCards_pattern, text, flags=0)

10. 人名语料库: wainshine/Chinese-Names-Corpus

人名抽取功能 python package cocoNLP,欢迎试用

中文(现代、古代)名字、日文名字、中文的姓和名、称呼(大姨妈、小姨妈等)、英文->中文名字(李约翰)、成语词典

(可用于中文分词、姓名识别)


11. 中文缩写库:github

全国人大: 全国/n 人民/n 代表大会/n
中国: 中华人民共和国/ns
女网赛: 女子/n 网球/n 比赛/vn

12. 汉语拆字词典:kfcd/chaizi

  1. 漢字        拆法 (一)        拆法 (二)        拆法 (三)拆        手 斥        扌 斥        才 斥
复制代码

13. 词汇情感值:rainarch/SentiBridge

  1. 山泉水        充沛        0.400704566541        0.370067395878
  2. 视野                宽广        0.305762728932        0.325320747491
  3. 大峡谷        惊险        0.312137906517        0.378594957281
复制代码

14. 中文词库、停用词 dongxiexidian/Chinese

15. 汉字转拼音:mozillazg/python-pinyin

文本纠错会用到

16. 中文繁简体互转:skydark/nstools

17. 英文模拟中文发音引擎 funny chinese text to speech enginee:tinyfool/ChineseWithEnglish

  1. say wo i ni
  2. #说:我爱你
复制代码

相当于用英文音标,模拟中文发音。

18. 汪峰歌词生成器:phunterlau/wangfeng-rnn

  1. 我在这里中的夜里
  2. 就像一场是一种生命的意旪
  3. 就像我的生活变得在我一样
  4. 可我们这是一个知道
  5. 我只是一天你会怎吗
复制代码

19. 同义词库、反义词库、否定词库:guotong1988/chinese_dictionary

20. 无空格英文串分割、抽取单词:wordninja

  1. >>> import wordninja
  2. >>> wordninja.split('derekanderson')
  3. ['derek', 'anderson']
  4. >>> wordninja.split('imateapot')
  5. ['im', 'a', 'teapot']
复制代码

21. IP地址正则表达式:

  1. (25[0-5]|2[0-4]\d|[0-1]\d{2}|[1-9]?\d)\.(25[0-5]|2[0-4]\d|[0-1]\d{2}|[1-9]?\d)\.(25[0-5]|2[0-4]\d|[0-1]\d{2}|[1-9]?\d)\.(25[0-5]|2[0-4]\d|[0-1]\d{2}|[1-9]?\d)
复制代码

22. 腾讯QQ号正则表达式:

  1. [1-9]([0-9]{5,11})
复制代码

23. 国内固话号码正则表达式:

  1. [0-9-()()]{7,18}
复制代码

24. 用户名正则表达式:

  1. [A-Za-z0-9_\-\u4e00-\u9fa5]+
复制代码

25. 汽车品牌、汽车零件相关词汇:

见本repo的data文件 [data](https://github.com/fighting41love/funNLP/tree/master/data)

26. 时间抽取:

已集成到 python package cocoNLP中,欢迎试用

  1. 在2016年6月7日9:44执行測試,结果如下Hi,all。下周一下午三点开会
  2. >> 2016-06-13 15:00:00-false周一开会
  3. >> 2016-06-13 00:00:00-true下下周一开会
  4. >> 2016-06-20 00:00:00-true
复制代码

java version

python version

27. 各种中文词向量: github repo

中文词向量大全


一共300个,这里只展示部分。

关注公 众 号,获取全部内容


关注“CDA人工智能学院”,回复“NLP”获取更多中文NLP资源库!




关键词:NLP 资源库 Technology Dictionary detection 数据分析 分词 资源库 NLP 数据分析 分词 资源库 NLP 数据分析 分词 资源库 NLP

二维码.png
已有 1 人评分威望 收起 理由
admin + 1 精彩帖子

总评分: 威望 + 1   查看全部评分

本帖被以下文库推荐


CDA人工智能学院http://edu.cda.cn)专注于数据科学与人工智能技术的在线教育平台。内容涵盖数据分析、机器学习、深度学习、人工智能、TensorFlow、PyTorch、知识图谱等众多核心技术及其行业案例,自由灵活的在线学习方式,让每一个学员快速掌握AI时代最前沿的技术!PS:今日私信我即有机会获取《银牌会员》1个月
redflame 发表于 2020-6-29 23:52:40 |显示全部楼层
支持并学习!
回复

使用道具 举报

HappyAndy_Lo 发表于 2020-6-30 11:09:58 |显示全部楼层
回复

使用道具 举报

shjrxytjyb 发表于 2020-7-1 08:40:09 |显示全部楼层
回复

使用道具 举报

snzpro 发表于 2020-7-2 06:56:08 |显示全部楼层
回复

使用道具 举报

三重虫 发表于 2020-7-2 11:09:43 |显示全部楼层
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 我要注册

京ICP备16021002-2号 京B2-20170662号 京公网安备 11010802022788号 论坛法律顾问:王进律师 知识产权保护声明   免责及隐私声明

GMT+8, 2020-7-9 13:45