-
Notifications
You must be signed in to change notification settings - Fork 0
/
textstools.py
714 lines (609 loc) · 36.4 KB
/
textstools.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
'''
идея в том, чтобы создать класс, объединяющий в себе методы обработки текста (замену синонимов, замену n-грамм)
и данные (массив синонимов и n-грамм, набор правил) для такой обработки
Пока не ясно, что должно являться экземпляром класса и на каком
'''
import os, re, pickle, difflib, operator, time
from pymystem3 import Mystem
import pandas as pd
import numpy as np
from gensim import similarities
from gensim.models.doc2vec import Doc2Vec, TaggedDocument
from gensim.models import TfidfModel, LsiModel
from gensim.corpora import Dictionary
from gensim.similarities import Similarity
from collections import defaultdict
""" Утилитарные функции над массивами """
"""Нарезает массив окном размера len c шагом stride"""
def flatten_all(iterable):
for elem in iterable:
if not isinstance(elem, list):
yield elem
else:
for x in flatten_all(elem):
yield x
def sliceArray(src: [], length: int = 1, stride: int = 1):
return [src[i:i + length] for i in range(0, len(src), stride) if len(src[i:i + length]) == length]
'''Нарезает массив окном размера len с шагом в размер окна'''
def splitArray(src: [], length: int):
return sliceArray(src, length, length)
"""Преобразует массив токенов в мешок (каждый токен представлен кортежем -- (токен, сколько раз встречается в массиве))"""
def arr2bag(src: []):
return [(x, src.count(x)) for x in set(src)]
"""Возвращает массив токенов src за исключением rem"""
def removeTokens(src: [], rem: []):
return [t for t in src if t not in rem]
"""Заменяет в массиве src множество токенов аскриптора asc дексрипторами токена (синонимия)"""
def replaceAscriptor(src: [], asc: [], desc: []):
src_repl = []
length = len(asc)
src_ = [src[i:i + length] for i in range(0, len(src), 1)]
i = 0
while i < len(src_):
if src_[i] == asc:
src_repl = src_repl + desc
i += length
else:
src_repl.append(src_[i][0])
i += 1
return src_repl
def dictionary_frequency(texts_collections):
dict_frequency = defaultdict(int)
tokens_iterator = flatten_all([tx.split() for tx in texts_collections])
tokens = [i for i in tokens_iterator]
for token in tokens:
dict_frequency[token] += 1
# сортировка словаря по значению
sort_dict = sorted(dict_frequency.items(), key=operator.itemgetter(1), reverse=True)
dict_frequency_df = pd.DataFrame(sort_dict, columns=['token', 'quantity'])
dict_frequency_df['freq'] = dict_frequency_df['quantity'] / sum(dict_frequency_df['quantity'])
dict_frequency_df.sort_values('freq', ascending=False)
return dict_frequency_df
# класс для предварительной обработки
# лемматизирует
# удаляет стоп-слова
# заменяет синонимы
# переменные: kwargs["stopwords"], kwargs["sinonims"], kwargs["ngrams"]
class TokensHandling():
def __init__(self, **kwargs):
self.m = Mystem()
self.kwargs = kwargs
self.sinonims = self.sinonims_fill() # список синонимов и "канонических" форм
self.ngrams = self.ngrams_fill() # список n-грамм
self.stopwords = self.stopwords_fill()
# функция, проводящая предобработку текста (включая лемматизацию)
def texts_handl(self, txt: str):
try:
lemm_txt = ' '.join(self.m.lemmatize(txt.lower()))
lemm_txt = re.sub('[^a-zа-я\d]', ' ', lemm_txt)
lemm_txt = re.sub('\s+', ' ', lemm_txt)
return lemm_txt
except:
return txt
# функция, замещающуя синонимы в тексте:
def sinonims_handle(self, text):
for sin_tuples in self.sinonims:
text = self.patterns_change_split(sin_tuples, text)
return text
# надо поменять на работу с токенами (отказаться от регулярных выражений):
def patterns_change_split(self, asc_dsc_tuples, text_for_change: str):
for asc, dsc in asc_dsc_tuples:
text_for_change = ' '.join(replaceAscriptor(text_for_change.split(), asc.split(), dsc.split()))
return text_for_change
def stopwords_fill(self):
stopwords_df = self.kwargs["stopwords"]
stopwords_df['lemm_words'] = stopwords_df['words'].apply(self.texts_handl)
stopwords_df['working_text'] = stopwords_df['lemm_words'].apply(lambda tx: self.sinonims_handle(tx))
stopwords_df['working_text'] = stopwords_df['working_text'].apply(
lambda tx: self.patterns_change_split(self.ngrams, tx))
return list(stopwords_df['working_text'])
def sinonims_fill(self):
sinonims_list = []
for sinonims_df in self.kwargs["sinonims"]:
sinonims_df['lemm_words'] = sinonims_df['words'].apply(self.texts_handl)
sinonims_df['lemm_init_forms'] = sinonims_df['initial_forms'].apply(self.texts_handl)
sinonims_list.append(list(zip(sinonims_df['lemm_words'], sinonims_df['lemm_init_forms'])))
return sinonims_list
def ngrams_fill(self):
ngrams_df = self.kwargs["ngrams"]
# ngrams_df['lemm_ngrams'] = ngrams_df['ngrams'].apply(self.texts_handl)
# ngrams_df['lemm_ngrams'] = ngrams_df['lemm_ngrams'].apply(lambda tx: self.sinonims_handle(tx))
# return list(zip(ngrams_df['lemm_ngrams'], ngrams_df['token']))
return list(zip(ngrams_df['ngrams'], ngrams_df['token']))
# класс, который применяет к текстам токенезацию, словари и синонимы
# text_list - ['text1', 'text2', ...] - список текстов для обработки, kwargs['sinonims']
# синонимы, kwargs["ngrams"] - n-граммы, kwargs["stopwords"] - стоп-слова
class TextHandling(TokensHandling):
def __init__(self, texts_list, **kwargs):
self.kwargs = kwargs
self.m = self.kwargs['m']
self.texts_list = texts_list
self.sinonims = kwargs['sinonims']
self.ngrams = kwargs["ngrams"]
self.stopwords = kwargs["stopwords"]
self.lemm_texts = self.texts_handling()
# замена стоп-слов без регулярных выражений, удаление токенов
def stopwords_dell_split(self, text_for_change: str):
for stopword in self.stopwords:
text_for_change = ' '.join(
[x for x in flatten_all(replaceAscriptor(text_for_change.split(), stopword.split(), ['']))])
return text_for_change
# функция, которая возвращает текст, лемматизированный с замененными синонимами и n-граммами, приведенный к токенам из словаря:
def text_prepare(self, text):
# (1)лемматизация:
lemm_tx = self.texts_handl(text)
# (2)замена синонимов и n-грамм
lemm_tx = self.sinonims_handle(lemm_tx)
lemm_tx = self.patterns_change_split(self.ngrams, lemm_tx) # замена на сплит
lemm_tx = self.stopwords_dell_split(lemm_tx)
# вернем лемматизированный текст с замененными синонимами и n-граммами
return lemm_tx
def texts_handling(self):
lemm_texts_list = []
k = 0
for txt in self.texts_list:
print(k)
k += 1
try:
lemm_text = self.text_prepare(txt)
lemm_texts_list.append(lemm_text)
except:
print("TextHandlError:", txt)
return lemm_texts_list
# класс для извлечения сущностей из коллекции
# построение частотного словаря
# автоматическое извлечение n-грамм
# kwargs["texts_collection"] - список текстов, kwargs["sinonims"] - синонимы, kwargs["ngrams"] - n-граммы
# ЗАМЕЧАНИЕ: (?) нужно добавить удаление стоп-слов ??? (или не нужно)
class CollectionStatHandling(TokensHandling):
def __init__(self, texts_collection, **kwargs):
self.kwargs = kwargs
self.texts_collection = texts_collection
self.m = self.kwargs["m"]
self.sinonims = kwargs["sinonims"]
self.ngrams = kwargs["ngrams"]
self.dict_frequency_df = self.dictionary_frequency() # частотный словарь [(token, freq), (), ...] - список кортежей, из токена и его частоты в коллекции
self.bigrams_df = self.bigrams_estimate() #
self.gensim_dictionary, self.gensim_corpus = self.dictionary_corp_fill() # словарь нумерованных токенов (объект gensim)
# сформируем словарь и корпус на текстовой коллекции, которая позволит строить более качественные статистические модели
def dictionary_corp_fill(self):
data_df = pd.DataFrame(self.texts_collection, columns=['texts'])
data_df['lemm_texts'] = data_df['texts'].apply(self.texts_handl)
data_df['working_text'] = data_df['lemm_texts'].apply(lambda tx: self.sinonims_handle(tx))
data_df['working_text'] = data_df['working_text'].apply(lambda tx: self.patterns_change_split(self.ngrams, tx))
texts_collections = [x for x in list(data_df['working_text'])]
dict_df = self.dict_frequency_df[self.dict_frequency_df[
'freq'] >= 0.0005] # частота токенов, лимитирующая количество, выбрана волюнтаристски
dictionary = Dictionary([list(dict_df['token'])])
corpus = [dictionary.doc2bow(tx.split()) for tx in texts_collections]
return dictionary, corpus
# функция, определяющая (добавляющая к леммам) части речи:
# def lemm_texts_with_parts_of_speech(self):
def bigrams_estimate(self):
ws_sbj = [] # список для кортежей, состоящих из токенов и их частей речи
for tx in self.texts_collection:
temp_ws_sbj = []
for anlys_dict in self.m.analyze(tx):
try:
sbj = re.sub('[^A-Z]', '', anlys_dict['analysis'][0]['gr'])
w = anlys_dict['text']
temp_ws_sbj.append((w, sbj))
except Exception:
None
ws_sbj.append(temp_ws_sbj)
# оставим только прилагательные и существительные:
ws_sbj_sa = [[t for t in x if t[1] in ['A', 'S']] for x in ws_sbj]
# удалим пустые, если такие есть:
ws_sbj_sa = [x for x in ws_sbj_sa if x != []]
# кандидаты на биграммы: AS, SS (возможно нужно перенести в параметры):
bigrams_candidate = []
for q_list in ws_sbj_sa:
bigrams_candidate.append(
[x for x in sliceArray(q_list, length=2, stride=2) if ''.join([x[0][1], x[1][1]]) in ['AS', 'SS']])
bigrams_candidate = [x for x in bigrams_candidate if x != []]
bigrams_candidate_sep = [[(''.join([x[0][0], x[1][0]]), x[0][0], x[1][0]) for x in bg] for bg in
bigrams_candidate]
# сделаем список биграмм "плоским"
flatit = flatten_all(bigrams_candidate_sep)
bigrams_candidate_sep = [x for x in flatit]
# создадим пандас датафрейм из кандидатов в биграммы
bigrams_candidate_df = pd.DataFrame(bigrams_candidate_sep, columns=['bigrams', 'w1', 'w2'])
# посчитаем частотность биграмм и их токенов
# посчитаем частотность биграмм:
bgms_cand_freq = bigrams_candidate_df[['bigrams', 'w1']].groupby('bigrams', as_index=False).count()
bgms_cand_freq.rename(columns={'w1': 'quantity'}, inplace=True)
bgms_cand_freq['freq'] = bgms_cand_freq['quantity'] / sum(bgms_cand_freq['quantity'])
# вернем слова:
bgms_freq_words = pd.merge(bgms_cand_freq, bigrams_candidate_df, how='left', on='bigrams', copy=False)
bgms_freq_words.drop_duplicates(inplace=True)
# переведем словарь частотности токенов в пандас датафрейм:
dfr = self.dict_frequency_df
# объединим частотный словарь токенов и словарь биграмм
dfr_w1 = dfr.rename(columns={'freq': 'w1_freq', 'token': 'w1'})
bigrams_est = pd.merge(bgms_freq_words, dfr_w1[['w1', 'w1_freq']], on='w1')
dfr_w2 = dfr.rename(columns={'freq': 'w2_freq', 'token': 'w2'})
bigrams_est = pd.merge(bigrams_est, dfr_w2[['w2', 'w2_freq']], on='w2')
bigrams_est.rename(columns={'freq': 'bigrms_freq'}, inplace=True)
# теперь все готово к оценке вероятности того, насколько данная биграмма похожа на УСС:
# количество слов корпуса, участвующих в построении биграмм
N = 2 * sum(bigrams_est['quantity']) # в каждой биграмме 2 слова
# оценка взаимной информации для слов, входящих в биграммы:
bigrams_est['estimate'] = np.log(
(N * bigrams_est['bigrms_freq'] ** 3) / (bigrams_est['w1_freq'] * bigrams_est['w2_freq']))
bigrams_est_sort_df = bigrams_est.sort_values('estimate', ascending=False)
return bigrams_est_sort_df
# формирование частотного словаря
def dictionary_frequency(self):
dict_frequency = defaultdict(int)
tokens_iterator = flatten_all([tx.split() for tx in self.texts_collection])
tokens = [i for i in tokens_iterator]
for token in tokens:
dict_frequency[token] += 1
# сортировка словаря по значению
sort_dict = sorted(dict_frequency.items(), key=operator.itemgetter(1), reverse=True)
dict_frequency_df = pd.DataFrame(sort_dict, columns=['token', 'quantity'])
dict_frequency_df['freq'] = dict_frequency_df['quantity'] / sum(dict_frequency_df['quantity'])
dict_frequency_df.sort_values('freq', ascending=False)
return dict_frequency_df
# класс для инициализации правил
# построение моделей для tf-idf, lsi, tf и параметров для этих моделей
# в этой версии добавляю возможность использовать последовательность файлов с синонимами
# kwargs["m"], kwargs["sinonims"], kwargs["ngrams"], kwargs["stopwords"], kwargs["dictionary"], kwargs["corpus"], kwargs["lingv_rules"]
# class RulesFill(TokensHandling, TextHandling):
class RulesFill(TextHandling):
def __init__(self, **kwargs):
self.kwargs = kwargs
self.m = self.kwargs["m"]
self.sinonims = self.kwargs["sinonims"] # список синонимов и "канонических" форм
self.ngrams = self.kwargs["ngrams"] # список n-грамм
self.stopwords = self.kwargs["stopwords"] # стоп-слова
self.dictionary = self.kwargs[
"dictionary"] # словарь токенизированный из коллекции (из соответствующего класса)
self.corpus = self.kwargs["corpus"] # корпус, если есть большой текстовый корпус
self.logrules = self.logrules_fill() # словарь лингвистических правил (тип правила и токены, которые к нему относятся) для каждого тега
self.tfidf_parameters = self.tf_idf_data_fill()
self.lsi_parameters = self.lsi_data_fill()
self.tf_parameters = self.tf_data_fill()
# функция оценивающая похожесть строк (возвращает оценку похожести)
def strings_similarities(self, str1: str, str2: str):
return difflib.SequenceMatcher(None, str1, str2).ratio()
def logrules_fill(self):
rules_df = self.kwargs["lingv_rules"]
rules_df['lemm_words'] = rules_df['words'].apply(self.texts_handl)
rules_df['working_text'] = rules_df['lemm_words'].apply(lambda tx: self.sinonims_handle(tx))
rules_df['working_text'] = rules_df['working_text'].apply(
lambda tx: self.patterns_change_split(self.ngrams, tx))
rules_df['working_text'] = rules_df['working_text'].apply(lambda tx: self.stopwords_dell_split(tx))
rules_dict = {}
for tg in set(rules_df['tag']):
rules_dict[tg] = list(
zip(rules_df['rules'][rules_df['tag'] == tg], rules_df[rules_df['tag'] == tg]['working_text'],
rules_df[rules_df['tag'] == tg]['coeff']))
return rules_dict
# загрузим данные для модели tf-idf:
# словарь и корпус для модели формируется на основании файла правил (из правил с признаком TF_IDF_SIM)
def tf_idf_data_fill(self):
# тексты для создания корпуса
rules_corpus_texts = []
for rule_num in self.logrules:
for rule, txt, koeff in self.logrules[rule_num]:
if rule == "TF_IDF_SIM":
rules_corpus_texts.append((rule_num, txt))
try:
self.dictionary.add_documents([tx.split() for rule_num, tx in rules_corpus_texts])
# построим корпус, состоящий из векторов, соответствующих каждому правилу:
rules_corpus = [(rule_num, self.dictionary.doc2bow(tx.split())) for rule_num, tx in rules_corpus_texts]
rules, rulcorpus = zip(*rules_corpus)
self.corpus = self.corpus + list(rulcorpus)
tfidf_model = TfidfModel(self.corpus)
return {"dictionary": self.dictionary, "model": tfidf_model, "rules_corpus": rules_corpus}
except:
return {"dictionary": None, "model": None, "rules_corpus": None}
def lsi_data_fill(self, topics=500):
rules_corpus_texts = [] # тексты для создания корпуса
for rule_num in self.logrules:
for rule, txt, koeff in self.logrules[rule_num]:
if rule == "LSI_SIM":
rules_corpus_texts.append((rule_num, txt))
try:
self.dictionary.add_documents([tx.split() for rule_num, tx in rules_corpus_texts])
# построим корпус, состоящий из векторов, соответствующих каждому правилу:
rules_corpus = [(rule_num, self.dictionary.doc2bow(tx.split())) for rule_num, tx in rules_corpus_texts]
rules, rulcorpus = zip(*rules_corpus)
self.corpus = self.corpus + list(rulcorpus)
lsi_model = LsiModel(self.corpus, id2word=self.dictionary, num_topics=topics)
return {"dictionary": self.dictionary, "model": lsi_model, "rules_corpus": rules_corpus,
"num_topics": topics}
except Exception:
return {"dictionary": None, "model": None, "rules_corpus": None, "num_topics": None}
# загрузим данные для модели tf:
# словарь и корпус для модели формируется на основании файла правил (из правил с признаком TF_SIM)
def tf_data_fill(self):
# тексты для создания корпуса
rules_corpus_texts = []
for rule_num in self.logrules:
for rule, txt, koeff in self.logrules[rule_num]:
if rule == "TF_SIM":
rules_corpus_texts.append((rule_num, txt))
try:
self.dictionary.add_documents([tx.split() for rule_num, tx in rules_corpus_texts])
# построим корпус, состоящий из векторов, соответствующих каждому правилу:
rules_corpus = [(rule_num, self.dictionary.doc2bow(tx.split())) for rule_num, tx in rules_corpus_texts]
rules, corpus = zip(*rules_corpus)
return {"dictionary": self.dictionary, "rules_corpus": rules_corpus}
except:
return {"dictionary": None, "rules_corpus": None}
# класс для применения правил к заданному тексту
class TextsRulesApply(RulesFill):
# m, sinonims, stopwords, ngrams, logrules, tf_parameters, tfidf_parameters, lsi_parameters, text: str)
def __init__(self, text, **kwargs):
self.kwargs = kwargs
self.m = kwargs["m"]
self.text = text
self.sinonims = kwargs['sinonims']
self.ngrams = kwargs["ngrams"]
self.stopwords = kwargs["stopwords"]
self.lemm_txt = self.text_prepare(
self.text) # список токенов, в которые превращается входящий (анализируемый) текст
self.tfidf_indexes = self.tfidf_indexes_fill()
self.tf_indexes = self.tf_indexes_fill()
self.lsi_indexes = self.lsi_indexes_fill()
self.tfidf_vector = self.tfidf_vector_fill()
self.tf_vector = self.tf_vector_fill()
self.lsi_vector = self.lsi_vector_fill()
self.logrules_results = self.rules_results()
# построение вектора tf-idf модели из полученного текста
def tfidf_indexes_fill(self):
try:
dct = self.kwargs["tfidf_parameters"]["dictionary"]
tfidf_model = self.kwargs["tfidf_parameters"]["model"]
rules, corpus = zip(*self.kwargs["tfidf_parameters"]["rules_corpus"])
txt_corp = dct.doc2bow(self.lemm_txt.split())
txt_tf_idf_vect = tfidf_model[txt_corp]
corpus_tf_idf_vects = [tfidf_model[x] for x in corpus]
index = Similarity(None, corpus_tf_idf_vects, num_features=len(dct))
rules_similarity = list(zip(rules, index[txt_tf_idf_vect]))
return rules_similarity
except:
return None
def tfidf_vector_fill(self):
try:
dct = self.kwargs["tfidf_parameters"]["dictionary"]
tfidf_model = self.kwargs["tfidf_parameters"]["model"]
rules, corpus = zip(*self.kwargs["tfidf_parameters"]["rules_corpus"])
txt_corp = dct.doc2bow(self.lemm_txt.split())
txt_tf_idf_vect = tfidf_model[txt_corp]
return txt_tf_idf_vect
except:
return None
# построение вектора lsi модели из полученного текста
def lsi_indexes_fill(self):
try:
dct = self.kwargs["lsi_parameters"]["dictionary"]
lsi_model = self.kwargs["lsi_parameters"]["model"]
rules, corpus = zip(*self.kwargs["lsi_parameters"]["rules_corpus"])
txt_corp = dct.doc2bow(self.lemm_txt.split())
txt_vect = lsi_model[txt_corp]
corpus_vects = [lsi_model[x] for x in corpus]
index = Similarity(None, corpus_vects, num_features=self.kwargs["lsi_parameters"]["num_topics"])
rules_similarity = list(zip(rules, index[txt_vect]))
return rules_similarity
except:
return None
def lsi_vector_fill(self):
try:
dct = self.kwargs["lsi_parameters"]["dictionary"]
lsi_model = self.kwargs["lsi_parameters"]["model"]
rules, corpus = zip(*self.kwargs["lsi_parameters"]["rules_corpus"])
txt_corp = dct.doc2bow(self.lemm_txt.split())
txt_vect = lsi_model[txt_corp]
return txt_vect
except:
return None
def tf_indexes_fill(self):
try:
dct = self.kwargs["tf_parameters"]["tf_dictionary"]
rules, corpus = zip(*self.kwargs["tf_parameters"]["tf_rules_corpus"])
txt_corp = dct.doc2bow(self.lemm_txt.split())
index = Similarity(None, corpus, num_features=len(dct))
rules_similarity = list(zip(rules, index[txt_corp]))
return rules_similarity
except:
return None
# построение вектора tf модели из полученного текста
def tf_vector_fill(self):
try:
dct = self.kwargs["tf_parameters"]["tf_dictionary"]
rules, corpus = zip(*self.kwargs["tf_parameters"]["tf_rules_corpus"])
txt_corp = dct.doc2bow(self.lemm_txt.split())
return txt_corp
except:
return None
# функции, определяющие правила:
def Include_AND(self, tokens_list, text_list):
for token in tokens_list:
if token not in text_list:
return False
return True
def Include_OR(self, tokens_list, text_list):
for token in tokens_list:
if token in text_list:
return True
return False
def Exclude_AND(self, tokens_list, text_list):
for token in tokens_list:
if token in text_list:
return False
return True
def Exclude_OR(self, tokens_list, text_list):
for token in tokens_list:
if token not in text_list:
return True
return False
# функция, анализирующая на вхождение в текст строки (последовательности токенов, а не токенов по-отдельности)
def Include_STR(self, tokens_str, text_str):
if tokens_str in text_str:
return True
else:
return False
def Exclude_STR(self, tokens_str, text_str):
if tokens_str not in text_str:
return True
else:
return False
def Include_STR_P(self, tokens_list: list, txt_list: list, coeff):
length = len(tokens_list)
txts_split = [txt_list[i:i + length] for i in range(0, len(txt_list), 1) if
len(txt_list[i:i + length]) == length]
for tx_l in txts_split:
if self.strings_similarities(' '.join(tokens_list), ' '.join(tx_l)) >= coeff: # self.sims_score:
return True
return False
def Exclude_STR_P(self, tokens_list: list, txt_list: list, coeff):
length = len(tokens_list)
txts_split = [txt_list[i:i + length] for i in range(0, len(txt_list), 1) if
len(txt_list[i:i + length]) == length]
for tx_l in txts_split:
if self.strings_similarities(' '.join(tokens_list), ' '.join(tx_l)) >= coeff: # self.sims_score:
return False
return True
# функция, оценивающая близость на основании tf-idf модели
def TF_IDF_SIM(self, rule_tag, coeff):
for rl_num, tf_idf_coeff in self.tfidf_indexes:
if rl_num == rule_tag and tf_idf_coeff >= coeff:
return True
return False
def LSI_SIM(self, rule_tag, coeff):
for rl_num, lsi_coeff in self.lsi_indexes:
if rl_num == rule_tag and lsi_coeff >= coeff:
return True
return False
# функция, оценивающая близость на основании tf модели
def TF_SIM(self, rule_tag, coeff):
for rl_num, tf_coeff in self.tf_indexes:
if rl_num == rule_tag and tf_coeff >= coeff:
return True
return False
# функция, анализирующая логико-лингвистические правила и возвращающая "ИСТИНА" или "ЛОЖЬ" по итогу (работает с фрагментом текста)
def decision_rules(self, rule_tag, rule_tokens_coeff):
decision = True
for rl, tks, coeff in rule_tokens_coeff:
if rl == 'Include_AND':
quotient_decision = self.Include_AND(tks.split(), self.lemm_txt.split())
elif rl == 'Include_OR':
quotient_decision = self.Include_OR(tks.split(), self.lemm_txt.split())
elif rl == 'Exclude_AND':
quotient_decision = self.Exclude_AND(tks.split(), self.lemm_txt.split())
elif rl == 'Exclude_OR':
quotient_decision = self.Exclude_OR(tks.split(), self.lemm_txt.split())
elif rl == 'Include_STR':
quotient_decision = self.Include_STR(tks, self.lemm_txt)
elif rl == 'Exclude_STR':
quotient_decision = self.Exclude_STR(tks, self.lemm_txt)
elif rl == 'Include_STR_P':
quotient_decision = self.Include_STR_P(tks.split(), self.lemm_txt.split())
elif rl == 'Exclude_STR_P':
quotient_decision = self.Exclude_STR_P(tks.split(), self.lemm_txt.split())
elif rl == 'TF_IDF_SIM':
quotient_decision = self.TF_IDF_SIM(rule_tag, coeff)
elif rl == 'TF_SIM':
quotient_decision = self.TF_SIM(rule_tag, coeff)
elif rl == 'LSI_SIM':
quotient_decision = self.LSI_SIM(rule_tag, coeff)
decision = decision and quotient_decision
return decision
# функция, возвращающая результат применения лингвистических правил:
def rules_results(self):
return [(tg, self.decision_rules(tg, self.kwargs["logrules"][tg])) for tg in self.kwargs["logrules"]]
if __name__ == "__main__":
data_rout = r'./data'
# data_rout = r'./data/3'
stopwords_df = pd.read_csv(os.path.join(data_rout, 'bss_data', 'stopwords.csv'))
lingv_rules_df = pd.read_csv(os.path.join(data_rout, 'bss_data', 'lingv_rules.csv'))
sinonims_files = ['01_sinonims.csv', '02_sinonims.csv']
sinonims_dfs = []
for file_name in sinonims_files:
sinonims_dfs.append(pd.read_csv(os.path.join(data_rout, 'bss_data', file_name)))
# TokensHandling
# переменные: kwargs["stopwords"], kwargs["sinonims"], kwargs["ngrams"]
ngrams_df = pd.read_csv(os.path.join(data_rout, 'bss_data', 'ngrams.csv'))
texts_collection_df = pd.read_csv(os.path.join(data_rout, 'bss_data', 'texts_collection.tsv'), sep='\t')
kwargs = {"sinonims": sinonims_dfs, "stopwords": stopwords_df, "ngrams": ngrams_df}
tkclass = TokensHandling(**kwargs)
print(tkclass.sinonims)
print(tkclass.stopwords)
# TextHandling
# проверка работы класса, лемматизирующего тексты с использованием имеющихся стоп-слов и синонимов (из класса TokensHandling)
sinonims = tkclass.sinonims
stopwords = tkclass.stopwords
ngrams = tkclass.ngrams
m = tkclass.m
texts = ['кто должен должен сдает бухгалтерскую упрощенную отчетность с середины года физическое лицо',
'которое просто хотя ндс сдавать бурый']
kwargs = {"m": m, "sinonims": sinonims, "stopwords": stopwords, "ngrams": ngrams}
txtclass = TextHandling(texts, **kwargs)
print(txtclass.lemm_texts)
# CollectionStatHandling
# kwargs["texts_collection"] - список текстов
texts_collection_df = pd.read_csv(os.path.join(data_rout, 'bss_data', "texts_collection.tsv"), sep='\t')
texts_collection = list(texts_collection_df["texts"])
kwargs = {"m": m, "sinonims": sinonims, "stopwords": stopwords, "ngrams": ngrams}
clh = CollectionStatHandling(texts_collection, **kwargs)
print(clh.bigrams_df)
print(clh.gensim_corpus)
print(clh.dict_frequency_df)
print(len(clh.gensim_dictionary))
# использование автоматичесикх биграмм
bigr_df = clh.bigrams_df
bigr_df = bigr_df[bigr_df["estimate"] > 2]
# сформируем биграммы:
ngrams = [" ".join([t1, t2]) for t1, t2 in zip(bigr_df['w1'], bigr_df['w2'])]
tokens = list(bigr_df['bigrams'])
ngrams_df = pd.DataFrame(list(zip(ngrams, tokens)), columns=['ngrams', 'token'])
print(ngrams_df)
# TextHandling с биграммами
# проверка работы класса, лемматизирующего тексты с использованием имеющихся стоп-слов и синонимов (из класса TokensHandling)
kwargs = {"sinonims": sinonims_dfs, "stopwords": stopwords_df, "ngrams": ngrams_df}
tkclass = TokensHandling(**kwargs)
# print(tkclass.sinonims)
# print(tkclass.stopwords)
sinonims = tkclass.sinonims
stopwords = tkclass.stopwords
ngrams = tkclass.ngrams
print(ngrams)
m = tkclass.m
texts = [
'кто должен должен сдает бухгалтерскую упрощенную отчетность с середины года физическое лицо счетов фактур',
'которое просто хотя ндс сдавать бурый нарушение срока в таможенную службу']
kwargs = {"m": m, "sinonims": sinonims, "stopwords": stopwords, "ngrams": ngrams}
txtclass = TextHandling(texts, **kwargs)
print(txtclass.lemm_texts)
'''
#RulesFill-1 - с корпусом и со словарем из большой коллекции
data_rout = r'./data/1'
lingv_rules = pd.read_csv(os.path.join(data_rout, "lingv_rules.csv"))
#kwargs["m"], kwargs["sinonims"], kwargs["ngrams"], kwargs["stopwords"], kwargs["dictionary"], kwargs["corpus"], kwargs["lingv_rules"]
kwargs = {"m" : m, "sinonims" : sinonims, "ngrams" : ngrams, "stopwords" : stopwords, "dictionary" : clh.gensim_dictionary, "corpus" : clh.gensim_corpus, "lingv_rules" : lingv_rules}
rlh = RulesFill(**kwargs)
print(rlh.logrules)
#TextsRulesApply - 1
text = 'кто должен Должен сдает бухгалтерскую Упрощенную отчетность с середины года Физическое лицо счет фактура'
kwargs = {"m" : m, "logrules" : rlh.logrules, "sinonims" : sinonims, "ngrams" : ngrams, "stopwords" : stopwords, "dictionary" : clh.gensim_dictionary,
"corpus" : clh.gensim_corpus, "lingv_rules" : lingv_rules, "tfidf_parameters" : rlh.tfidf_parameters, "tf_parameters" : rlh.tf_parameters,
"lsi_parameters" : rlh.lsi_parameters}
trapp = TextsRulesApply(text, **kwargs)
print(trapp.logrules_results)
#RulesFill-2 - без корпуса и словаря
data_rout = r'./data/3'
lingv_rules = pd.read_csv(os.path.join(data_rout, "lingv_rules.csv"))
kwargs = {"m" : m, "sinonims" : sinonims, "ngrams" : ngrams, "stopwords" : stopwords, "dictionary" : None, "corpus" : None, "lingv_rules" : lingv_rules}
rlh = RulesFill(**kwargs)
print(rlh.logrules)
#TextsRulesApply - 2
text = 'кто должен Должен сдает бухгалтерскую Упрощенную отчетность с середины года Физическое лицо'
kwargs = {"m" : m, "logrules" : rlh.logrules, "sinonims" : sinonims, "ngrams" : ngrams, "stopwords" : stopwords, "dictionary" : clh.gensim_dictionary,
"corpus" : clh.gensim_corpus, "lingv_rules" : lingv_rules, "tfidf_parameters" : rlh.tfidf_parameters, "tf_parameters" : rlh.tf_parameters,
"lsi_parameters" : rlh.lsi_parameters}
trapp = TextsRulesApply(text, **kwargs)
print(trapp.logrules_results)
'''