PyABSA - 面向方面的情感分析开放框架（论文）

您好！ 如果本项目对您有帮助，请给我们点个星！每一个星都能推动PyABSA更进一步，非常感谢。PyABSA是一个免费开源的工具，供所有人使用，但请不要忘记在您的作品、产品和出版物等中附上（非正式或正式的）作者信息和项目地址。

在Huggingface Space上试用我们的演示

除了论文中介绍的内容，PyABSA还有两个新功能：方面情感三元组提取和方面四元组提取。 我们已经在Huggingface Space上部署了演示，您可以在线试用。

• 方面情感四元组提取（英语）新功能
• 方面情感三元组提取（英语）新功能
• （Gradio）方面术语提取和情感分类（英语、中文、阿拉伯语、荷兰语、法语、俄语、西班牙语、土耳其语等）
• （原型）方面术语提取和情感分类（英语、中文、阿拉伯语、荷兰语、法语、俄语、西班牙语、土耳其语等）
• 方面术语提取和情感分类（中文等）
• 基于方面的情感分类（多语言）（英语、中文等）

使用示例

我们为不同的任务准备了许多示例。请参考示例以获取更多使用示例。

安装

通过pip安装

要使用PyABSA，请通过pip或源代码安装最新版本：

pip install -U pyabsa

通过源代码安装

git clone https://github.com/yangheng95/PyABSA --depth=1
cd PyABSA 
python setup.py install

快速入门

提取方面术语并分类情感

from pyabsa import AspectTermExtraction as ATEPC, available_checkpoints

# 您可以通过调用available_checkpoints()查看所有可用的检查点
checkpoint_map = available_checkpoints()

aspect_extractor = ATEPC.AspectExtractor('multilingual',
                                         auto_device=True,  # False表示在CPU上加载模型
                                         cal_perplexity=True,
                                         )

# 实例推理
aspect_extractor.predict(['我喜欢这部电影，它太棒了！'],
                         save_result=True,
                         print_result=True,  # 打印结果
                         ignore_error=True,  # 当模型无法预测输入时忽略错误
                         )

inference_source = ATEPC.ATEPCDatasetList.Restaurant16
atepc_result = aspect_extractor.batch_predict(target_file=inference_source,  # 目标文件
                              save_result=True,  # 保存结果
                              print_result=True,  # 打印结果
                              pred_sentiment=True,  # 预测提取的方面词的情感
                              )

print(atepc_result)


```python3
# 基于方面的情感分析

from pyabsa import AspectPolarityClassification as APC, available_checkpoints

# 通过调用available_checkpoints()可以查看所有可用的检查点
checkpoint_map = available_checkpoints(show_ckpts=True)

classifier = APC.SentimentClassifier('multilingual',
                                     auto_device=True,  # False表示在CPU上加载模型
                                     cal_perplexity=True,
                                     )

# 单个实例推理
classifier.predict(['我喜欢这部电影，太棒了!'],
                   save_result=True,
                   print_result=True,  # 打印结果
                   ignore_error=True,  # 当模型无法预测输入时忽略错误
                   )

inference_source = APC.APCDatasetList.Laptop14
apc_result = classifier.batch_predict(target_file=inference_source,  # 
                                      save_result=True,
                                      print_result=True,  # 打印结果
                                      pred_sentiment=True,  # 预测提取的方面词的情感
                                      )

print(apc_result)

数据集标注和模型训练

请参阅文档:PyABSA文档。 如果您对文档有任何疑问，请随时提出问题。此外,您也可以加入并帮助改进文档。 超参数）

• 为这个仓库点星以保持其活跃度

许可证

PyABSA 在 MIT 许可下发布，请引用此仓库（或相关论文）或在您的作品（仓库、博客、产品等）中附上作者信息。