除中文外的正则_优质中文NLP资源集合,做项目一定用得到!
整理 | Jane
出品 | AI科技大本营(公众号id:rgznai100)
今天要给大家在推荐 Github 上一个优质的中文 NLP 工具和资源集合项目——funNLP,已经获得了 5.3k Stars,1k+ Forks。
项目作者 杨洋,一枚水博&互联网民工,目前主要从事文本分类,信息抽取等自然语言处理研发工作;兴趣包括:语言资源构建、信息抽取与知识图谱、舆情分析等。喜欢分享一些小知识,设有知乎专栏《机器学习小知识》
作者把自己使用的一些资源或工具包整理成这个集合项目,并且会不断更新。项目已经里面不乏很多有用和有趣的内容,包含 50 多个资源或工具,比如很多有用的词库:中英文敏感词、暴恐词表、文人名库、中文缩写库、停用词、公司名字大全、成语词库、地名词库百度中文问答数据集......非常值得学习研究 NLP 项目的同学们收藏!
除了几十个的优质资源汇总外,作者的另一个中文 NLP 工具包——coco NLP,也很实用,目前应用在寻找失踪人口项目中。通过这个工具包,大家可以直接从文本信息中抽取一些基本信息,比如手机号、邮箱、手机归属地、时间点、地址和一些词组信息。
0.先给大家 coco NLP 工具的地址:
https:// github.com/fighting41lo ve/cocoNLP
因为这个工具里也包含了第一个项目中提到的一些资源,下面我们所列的其他资源,就不再列出重复资源的地址了,比如:phone 中国手机归属地查询、抽取email的正则表达式、抽取phone_number的正则表达式、人名语料库、时间抽取等。
营长列出了其他一些主要资源的地址,大家还可以从文章最后给出的项目地址中访问更多。也感谢开源这些资源的作者,如果下面有提到你的项目,欢迎给我们留言,让营长发现可爱的你们~
1. textfilter: 中英文敏感词过滤
https:// github.com/observerss/t extfilter
2. langid:97种语言检测
https:// github.com/saffsd/langi d.py
3. langdetect:检测另一种语言
https:// code.google.com/archive /p/language-detection/
4. phone国际手机、电话归属地查询:
https:// github.com/AfterShip/ph one
6. ngender:根据名字判断性别,基于朴素贝叶斯计算的概率
https:// github.com/observerss/n gender
7.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)
8.中文缩写库
https:// github.com/zhangyics/Ch inese-abbreviation-dataset/blob/master/dev_set.txt
9.汉语拆字词典
https:// github.com/kfcd/chaizi
10.词汇情感值
https:// github.com/rainarch/Sen tiBridge/blob/master/Entity_Emotion_Express/CCF_data/pair_mine_result
11.中文词库、停用词、敏感词,此 package 的敏感词库分类更细,包含反动词库, 敏感词库表统计, 暴恐词库, 民生词库, 色情词库
https:// github.com/fighting41lo ve/Chinese_from_dongxiexidian
12.汉字转拼音
https:// github.com/mozillazg/py thon-pinyin
13.同义词库、反义词库、否定词库
https:// github.com/guotong1988/ chinese_dictionary
14.无空格英文串分割、抽取单词
https:// github.com/keredson/wor dninja
15.THU整理的词库,包含 IT词库、财经词库、成语词库、地名词库、历史名人词库、诗词词库、医学词库、饮食词库、法律词库、汽车词库、动物词库
http:// thuocl.thunlp.org/sendM essage
16.百度中文问答数据集
链接: https:// pan.baidu.com/s/1QUsKcF WZ7Tg1dk_AbldZ1A
提取码: 2dva
17.Bert 资源
(1)文本分类实践
https:// github.com/NLPScott/ber t-Chinese-classification-task
(2)Bert Tutorial 文本分类教程
https:// github.com/Socialbird-A ILab/BERT-Classification-Tutorial
(3)Bert pytorch实现
https:// github.com/huggingface/ pytorch-pretrained-BERT
(4)Bert用于中文命名实体识别,tensorflow版本
https:// github.com/macanv/BERT- BiLSTM-CRF-NER
(5)Bert 基于 Keras 的封装分类标注框架 Kashgari,几分钟即可搭建一个分类或者序列标注模型
https:// github.com/BrikerMan/Ka shgari
(6)Bert、ELMO的图解
https:// jalammar.github.io/illu strated-bert/
(7)BERT: Pre-trained models and downstream applications
https:// github.com/asyml/texar/ tree/master/examples/bert
更多优质资源可访问:
https:// github.com/fighting41lo ve/funNLP
(本文为AI科技大本营原创文章,转载请微信联系 1092722531)
❤添加小助手微信csdnai2,备注研究方向,邀你加入读者群。