" />
還能再漲23%!AI寵兒NVIDIA成大摩明年首選AMD FSR 4.0將與RX 9070 XT顯卡同步登場羅永浩細(xì)紅線最新進(jìn)展,暫別AR,迎來AI Jarvis構(gòu)建堅(jiān)實(shí)數(shù)據(jù)地基,南京打造可信數(shù)據(jù)空間引領(lǐng)數(shù)字城市建設(shè)下單前先比價(jià)不花冤枉錢 同款圖書京東價(jià)低于抖音6折日媒感慨中國電動(dòng)汽車/智駕遙遙領(lǐng)先:本田、日產(chǎn)、三菱合并也沒戲消委會(huì)吹風(fēng)機(jī)品質(zhì)檢測結(jié)果揭曉 徠芬獨(dú)占鰲頭 共話新質(zhì)營銷力,2024梅花數(shù)據(jù)峰會(huì)圓滿落幕索尼影像專業(yè)服務(wù) PRO Support 升級,成為會(huì)員至少需注冊 2 臺 α 全畫幅相機(jī)、3 支 G 大師鏡頭消息稱vivo加碼電池軍備競賽:6500mAh 旗艦機(jī)+7500mAh中端機(jī)寶馬M8雙門轎跑車明年年初將停產(chǎn),后續(xù)無2026款車型比亞迪:2025 款漢家族車型城市領(lǐng)航智駕功能開啟內(nèi)測雷神預(yù)告2025年首次出席CES 將發(fā)布三款不同技術(shù)原理智能眼鏡realme真我全球首發(fā)聯(lián)發(fā)科天璣 8400 耐玩戰(zhàn)神共創(chuàng)計(jì)劃iQOO Z9 Turbo長續(xù)航版手機(jī)被曝電池加大到6400mAh,搭驍龍 8s Gen 3處理器普及放緩 銷量大跌:曝保時(shí)捷將重新評估電動(dòng)汽車計(jì)劃來京東參與榮耀Magic7 RSR 保時(shí)捷設(shè)計(jì)預(yù)售 享365天只換不修國補(bǔ)期間電視迎來換機(jī)潮,最暢銷MiniLED品牌花落誰家?美團(tuán)旗下微信社群團(tuán)購業(yè)務(wù)“團(tuán)買買”宣布年底停運(yùn)消息稱微軟正與第三方廠商洽談,試圖合作推出Xbox游戲掌機(jī)設(shè)備
  • 首頁 > 數(shù)據(jù)存儲(chǔ)頻道 > 數(shù)據(jù)庫頻道 > 軟件架構(gòu)

    用于提取數(shù)據(jù)的三個(gè)開源NLP工具

    2023年08月01日 16:15:26   來源:51CTO

      譯者 | 布加迪

      開發(fā)人員和數(shù)據(jù)科學(xué)家使用生成式AI和大語言模型(LLM)來查詢大量文檔和非結(jié)構(gòu)化數(shù)據(jù)。開源LLM包括Dolly 2.0、EleutherAI Pythia、Meta AI LLaMa和StabilityLM等,它們都是嘗試人工智能的起點(diǎn),可以接受自然語言提示,生成總結(jié)式響應(yīng)。

      Fluree首席執(zhí)行官兼聯(lián)合創(chuàng)始人Brian Platz說:“作為知識和信息的基本來源,文本很重要,但目前還沒有任何端到端解決方案可以駕馭處理文本的復(fù)雜性。雖然大多數(shù)組織處理結(jié)構(gòu)化或半結(jié)構(gòu)化數(shù)據(jù)、放到集中式數(shù)據(jù)平臺上,但非結(jié)構(gòu)化數(shù)據(jù)仍然被遺忘,未充分利用起來。”

      如果貴組織和團(tuán)隊(duì)沒有試用自然語言處理(NLP)功能,可能落后于所在行業(yè)的競爭對手。2023年專家NLP調(diào)查報(bào)告發(fā)現(xiàn),77%的組織表示計(jì)劃增加NLP方面的支出,54%的組織聲稱部署到生產(chǎn)環(huán)境的時(shí)間是衡量成功NLP項(xiàng)目的投資回報(bào)率的首要指標(biāo)。

      NLP的用例

      如果您有大量非結(jié)構(gòu)化數(shù)據(jù)和文本,那么一些最常見的業(yè)務(wù)需求包括如下:

      通過識別名稱、日期、地點(diǎn)和產(chǎn)品,提取實(shí)體;

      模式識別,以發(fā)現(xiàn)貨幣及其他數(shù)量;

      對業(yè)務(wù)術(shù)語、主題和分類分門別類;

      情緒分析,包括積極的、負(fù)面的和諷刺的情緒;

      總結(jié)文件要點(diǎn);

      機(jī)器語言翻譯成其他語言;

      將文本轉(zhuǎn)換成機(jī)器可讀的半結(jié)構(gòu)化表示的依賴關(guān)系圖。

      有時(shí)候,將NLP功能捆綁到平臺或應(yīng)用程序中是可取的。比如說,LLM支持提問,AI搜索引擎支持搜索和推薦,聊天機(jī)器人支持交互。而其他時(shí)候,使用NLP工具提取信息以及豐富非結(jié)構(gòu)化文檔和文本是最佳選擇。

      不妨看看開發(fā)人員和數(shù)據(jù)科學(xué)家如今使用這三種流行的開源NLP工具,可用于針對非結(jié)構(gòu)化文檔執(zhí)行發(fā)現(xiàn)操作,并開發(fā)生產(chǎn)就緒的NLP處理引擎。

      1. 自然語言工具包

      自然語言工具包(NLTK)于2001年發(fā)布,是較悠久且較流行的NLP Python庫之一。NLTK在GitHub上擁有超過1.18萬顆星,列有100多個(gè)經(jīng)過訓(xùn)練的模型。

      SPR的數(shù)據(jù)和分析主管Steven Devoe說:“我認(rèn)為對于NLP來說,最重要的工具是自然語言工具包(NLTK),它采用了Apache 2.0許可證。在所有的數(shù)據(jù)科學(xué)項(xiàng)目中,處理和清理算法所使用的數(shù)據(jù)耗用了大量的時(shí)間和精力,這在自然語言處理中尤為如此。NLTK加快了這方面的許多工作,比如詞干提取、詞源化、標(biāo)記、刪除停止詞以及跨多種書面語言嵌入詞向量,從而使算法更容易解釋文本。”

      NLTK的優(yōu)點(diǎn)源于其耐久性,它為剛接觸NLP的開發(fā)人員提供了許多示例,比如這份初學(xué)者實(shí)踐指南和這個(gè)更全面的概述。任何學(xué)習(xí)NLP技術(shù)的人都可能想先試一下這個(gè)庫,因?yàn)樗峁┝撕唵蔚姆椒▉韲L試基本技術(shù),比如標(biāo)記化、詞干提取和分塊。

      2.spaCy

      spaCy是一個(gè)較新的庫,2016年發(fā)布了版本1.0。spaCy支持72余種語言,已發(fā)布了其性能基準(zhǔn),它在GitHub上積累的星數(shù)超過了25000顆。

      Domino數(shù)據(jù)實(shí)驗(yàn)室歐洲中東和非洲(EMEA)地區(qū)的數(shù)據(jù)科學(xué)主管Nikolay Manchev說:“spaCy是免費(fèi)的開源Python庫,提供了對大量文本進(jìn)行高速自然語言處理的高級功能。使用spaCy,用戶就可以構(gòu)建模型和生產(chǎn)級應(yīng)用程序,它們支持文檔分析、聊天機(jī)器人功能和所有其他形式的文本分析。如今,spaCy框架是Python最流行的自然語言庫之一,用于從文本中提取關(guān)鍵字、實(shí)體和知識等行業(yè)用例。”

      spaCy教程顯示了NLTK類似的功能,比如命名實(shí)體識別和詞性標(biāo)注。一個(gè)優(yōu)點(diǎn)是,spaCy返回文檔對象,并支持詞向量,這可以為開發(fā)人員執(zhí)行額外的NLP后數(shù)據(jù)處理和文本分析賦予更大的靈活性。

      3.Spark NLP

      如果您已經(jīng)使用Apache Spark并配置了其基礎(chǔ)設(shè)施,那么Spark NLP可能是開始嘗試自然語言處理的更便捷途徑之一。Spark NLP有幾個(gè)安裝選項(xiàng),包括AWS、Azure Databricks和Docker。

      John Snow Labs的首席技術(shù)官David Talby說:“Spark NLP是一個(gè)廣泛使用的開源自然語言處理庫,它使企業(yè)能夠以最高的精度從自由文本文檔中提取信息和答案。因此企業(yè)可以提取只存在于臨床記錄中的相關(guān)健康信息,識別社交媒體上的仇恨言論或虛假新聞,或概述法律協(xié)議和財(cái)經(jīng)新聞。”

      Spark NLP的不同之處在于其是適用于醫(yī)療、金融和法律領(lǐng)域的語言模型。這些商業(yè)產(chǎn)品配備了預(yù)先訓(xùn)練的模型,用于識別醫(yī)療領(lǐng)域的藥物名稱和劑量、金融實(shí)體識別(比如股票行情信息)以及公司名稱和高管的法律知識圖譜。

      Talby表示,Spark NLP可以幫助組織盡量減少開發(fā)模型所需的前期訓(xùn)練。他說:“這個(gè)免費(fèi)開源庫附帶超過11000個(gè)預(yù)訓(xùn)練的模型,外加重用、訓(xùn)練、調(diào)優(yōu)和輕松擴(kuò)展模型的功能。”

      試用NLP的最佳實(shí)踐

      我在職業(yè)生涯的早期有幸監(jiān)督過開發(fā)幾個(gè)使用NLP功能構(gòu)建的SaaS產(chǎn)品。第一個(gè)NLP是一個(gè)搜索報(bào)紙分類廣告的SaaS平臺,包括搜索汽車、工作和房地產(chǎn)。然后,我領(lǐng)導(dǎo)開發(fā)了用于從商業(yè)建筑文件(包括建筑規(guī)格和藍(lán)圖)中提取信息的NLP。

      在一個(gè)新領(lǐng)域開始入手NLP時(shí),我的建議如下:

      從文檔或文本的一個(gè)代表性的小例子入手。

      確定目標(biāo)最終用戶角色以及提取的信息如何改進(jìn)他們的工作流程。

      指定所需的信息提取和目標(biāo)準(zhǔn)確性指標(biāo)。

      測試幾種方法,使用速度和準(zhǔn)確性指標(biāo)進(jìn)行基準(zhǔn)衡量。

      反復(fù)提高準(zhǔn)確性,尤其是在增加文檔的規(guī)模和廣度時(shí)。

      準(zhǔn)備交付用于處理數(shù)據(jù)質(zhì)量和處理異常的數(shù)據(jù)管理工具。

      您可能會(huì)發(fā)現(xiàn)用于發(fā)現(xiàn)和試用新型文檔的NLP工具將有助于界定需求。然后,擴(kuò)大NLP技術(shù)的比較范圍,涵蓋開源方案和商業(yè)方案,因?yàn)闃?gòu)建和支持生產(chǎn)就緒的NLP數(shù)據(jù)管道可能成本高昂。隨著LLM日益?zhèn)涫荜P(guān)注,對NLP功能方面投入不足會(huì)導(dǎo)致落后于競爭對手。幸運(yùn)的是,您可以從本文介紹的其中一款開源工具入手,構(gòu)建NLP數(shù)據(jù)管道,以滿足自己的預(yù)算和需求。

      原文標(biāo)題:3 open source NLP tools for data extraction,作者:Isaac Sacolick

      文章內(nèi)容僅供閱讀,不構(gòu)成投資建議,請謹(jǐn)慎對待。投資者據(jù)此操作,風(fēng)險(xiǎn)自擔(dān)。

    即時(shí)

    新聞

    明火炊具市場:三季度健康屬性貫穿全類目

    奧維云網(wǎng)(AVC)推總數(shù)據(jù)顯示,2024年1-9月明火炊具線上零售額94.2億元,同比增加3.1%,其中抖音渠道表現(xiàn)優(yōu)異,同比有14%的漲幅,傳統(tǒng)電商略有下滑,同比降低2.3%。

    企業(yè)IT

    重慶創(chuàng)新公積金應(yīng)用,“區(qū)塊鏈+政務(wù)服務(wù)”顯成效

    “以前都要去窗口辦,一套流程下來都要半個(gè)月了,現(xiàn)在方便多了!”打開“重慶公積金”微信小程序,按照提示流程提交相關(guān)材料,僅幾秒鐘,重慶市民曾某的賬戶就打進(jìn)了21600元。

    3C消費(fèi)

    華碩ProArt創(chuàng)藝27 Pro PA279CRV顯示器,高能實(shí)力,創(chuàng)

    華碩ProArt創(chuàng)藝27 Pro PA279CRV顯示器,憑借其優(yōu)秀的性能配置和精準(zhǔn)的色彩呈現(xiàn)能力,為您的創(chuàng)作工作帶來實(shí)質(zhì)性的幫助,雙十一期間低至2799元,性價(jià)比很高,簡直是創(chuàng)作者們的首選。