推荐理由：自然语言处理（nlp），小姜机器人（闲聊检索式chatbot），BERT句向量-相似度（Sentence Similarity），XLNET句向量-相似度（text xlnet embedding），文本分类（Text classification）， 实体提取（ner，bert+bilstm+crf），数据增强（text augment, data enhance），同义句同义词生成，句子主干提取（mainpart），中文汉语短文本相似度，文本特征工程，keras-http-service调用 nlp_xiaojiang AugmentText
适用人群：自然语言
推荐指数：1.4k
项目名称：nlp_xiaojiang
自然语言处理nlp小姜机器人(闲聊) nlp_xiaojiang - 996station | 996技术站
=========================================================================
nlp_xiaojiang
AugmentText
| - 回译（效果比较好）
|
| - EDA（同义词替换、插入、交换和删除）（效果还行）
|
| - HMM-marko（质量较差）
|
| - syntax（依存句法、句法、语法书）（简单句还可）
|
| - seq2seq（深度学习同义句生成，效果不理想，seq2seq代码大都是 [https://github.com/qhduan/just_another_seq2seq] 的，效果不理想）
|
| - 预训练(UNILM生成、开源模型回译)
|
ChatBot
| - 检索式ChatBot
|
| - 像ES那样直接检索(如使用fuzzywuzzy)，只能字面匹配
|
| - 构造句向量，检索问答库，能够检索有同义词的句子
|
| - 生成式ChatBot（todo）
|
| - seq2seq
|
| - GAN
|
ClassificationText
| - bert+bi-lstm(keras) approach 0.78~0.79% acc of weBank Intelligent Customer Service Question Matching Competition
|
| - bert + text-cnn(keras) approach 0.78~0.79% acc of weBank Intelligent Customer Service Question Matching Competition
|
| - bert + r-cnn(keras) approach 0.78~0.79% acc of weBank Intelligent Customer Service Question Matching Competition
|
| - bert + avt-cnn(keras) approach 0.78~0.79% acc of weBank Intelligent Customer Service Question Matching Competition
|
Ner
| - bert命名实体提取(bert12层embedding + bilstm + crf)
|
| - args.py(配置一些参数)
|
| - keras_bert_embedding.py(bert embedding)
|
| - keras_bert_layer.py(layer层, 主要有CRF和NonMaskingLayer)
|
| - keras_bert_ner_bi_lstm.py(主函数, 定义模型、数据预处理和训练预测等)
|
| - layer_crf_bojone.py(CRF层, 未使用)
|
FeatureProject
| - bert句向量、文本相似度
|
| - bert/extract_keras_bert_feature.py:提取bert句向量特征
|
| - bert/tet_bert_keras_sim.py:测试xlnet句向量cosin相似度
|
| - xlnet句向量、文本相似度
|
| - xlnet/extract_keras_xlnet_feature.py:提取bert句向量特征
|
| - xlnet/tet_xlnet_keras_sim.py:测试bert句向量cosin相似度
|
| - normalization_util指的是数据归一化
|
| - 0-1归一化处理
|
| - 均值归一化
|
| - sig归一化处理
|
| - sim feature（ML）
|
| - distance_text_or_vec:各种计算文本、向量距离等
|
| - distance_vec_TS_SS：TS_SS计算词向量距离
|
| - cut_td_idf：将小黄鸡语料和gossip结合
|
| - sentence_sim_feature：计算两个文本的相似度或者距离，例如qq（问题和问题），或者qa（问题和答案）
|
run(可以在win10下,pycharm下运行)
- 1.创建tf-idf文件等（运行2需要先跑1）:
python cut_td_idf.py - 2.计算两个句子间的各种相似度，先计算一个预定义的，然后可输入自定义的（先跑1）:
python sentence_sim_feature.py - 3.chatbot_1跑起来(fuzzy检索-没)（独立）：
python chatbot_fuzzy.py - 4.chatbot_2跑起来(句向量检索-词)（独立）：
python chatbot_sentence_vec_by_word.py - 5.chatbot_3跑起来(句向量检索-字)（独立）：
python chatbot_sentence_vec_by_char.py - 6.数据增强（eda)： python enhance_eda.py
- 7.数据增强（marko）: python enhance_marko.py
- 8.数据增强（translate_account）: python translate_tencent_secret.py
- 9.数据增强（translate_tools）: python translate_translate.py
- 10.数据增强（translate_web）: python translate_google.py
- 11.数据增强（augment_seq2seq）: 先跑 python extract_char_webank.py生成数据， 再跑 python train_char_anti.py 然后跑 python predict_char_anti.py
- 12.特征计算(bert)（提取特征、计算相似度）:
run extract_keras_bert_feature.py run tet_bert_keras_sim.py
Data
| - chinese_L-12_H-768_A-12（谷歌预训练好的模型）
|
| github项目中只是上传部分数据，需要的前往链接: https://pan.baidu.com/s/1I3vydhmFEQ9nuPG2fDou8Q 提取码: rket
|
| 解压后就可以啦
|
| - chinese_xlnet_mid_L-24_H-768_A-12(哈工大训练的中文xlnet, mid, 24层, wiki语料+通用语料)
|
| - 下载地址[https://github.com/ymcui/Chinese-PreTrained-XLNet](https://github.com/ymcui/Chinese-PreTrained-XLNet)
|
| - chinese_vector
|
| github项目中只是上传部分数据，需要的前往链接: https://pan.baidu.com/s/1I3vydhmFEQ9nuPG2fDou8Q 提取码: rket
|
| - 截取的部分word2vec训练词向量（自己需要下载全效果才会好）
|
| - w2v_model_wiki_char.vec、w2v_model_wiki_word.vec都只有部分，词向量w2v_model_wiki_word.vec可以用这个下载地址的替换[https://pan.baidu.com/s/14JP1gD7hcmsWdSpTvA3vKA](https://pan.baidu.com/s/14JP1gD7hcmsWdSpTvA3vKA)
|
| |
| - corpus
|
| github项目中只是上传部分数据，需要的前往链接: https://pan.baidu.com/s/1I3vydhmFEQ9nuPG2fDou8Q 提取码: rket
|
| - ner(train、dev、test----人民日报语料)
|
| - webank(train、dev、test)
|
| - 小黄鸡和gossip问答预料（数据没清洗）,chicken_and_gossip.txt
|
| - 微众银行和支付宝文本相似度竞赛数据， sim_webank.csv
|
| - sentence_vec_encode_char
|
| - 1.txt（字向量生成的前100000句向量）
|
| - sentence_vec_encode_word
|
| - 1.txt（词向量生成的前100000句向量）
|
| - tf_idf（chicken_and_gossip.txt生成的tf-idf）
|
requestments.txt
| - python_Levenshtei
|
| - 调用Levenshtein，我的python是3.6，
|
| - 打开其源文件: https://www.lfd.uci.edu/~gohlke/pythonlibs/
|
| - 查找python_Levenshtein-0.12.0-cp36-cp36m-win_amd64.whl下载即可
|
| - pyemd
|
| - pyhanlp
|
| - 下好依赖JPype1-0.6.3-cp36-cp36m-win_amd64.whl
|
参考/感谢
- eda_chinese：https://github.com/zhanlaoban/eda_nlp_for_Chinese
- 主谓宾提取器：https://github.com/hankcs/MainPartExtractor
- HMM生成句子：https://github.com/takeToDreamLand/SentenceGenerate_byMarkov
- 同义词等：https://github.com/fighting41love/funNLP/tree/master/data/
- 小牛翻译：小牛翻译开放平台 - 机器翻译找小牛
其他资料
- bert(keras):https://github.com/CyberZHG/keras-bert
- NLP数据增强汇总:https://github.com/quincyliang/nlp-data-augmentation
- 知乎NLP数据增强话题:自然语言处理中有哪些常用的数据增强的方式呢？ - 知乎
- chatbot_seq2seq_seqGan（比较好用）：https://github.com/qhduan/just_another_seq2seq
- 自己动手做聊天机器人教程: https://github.com/warmheartli/ChatBotCourse
开源地址
https://github.com/yongzhuo/nlp_xiaojiang
开源是一种精神，致敬屏幕背后的你！
