ຫໍສະຫມຸດ Python

10 ຫ້ອງສະຫມຸດ Python ທີ່ດີທີ່ສຸດສໍາລັບການວິເຄາະຄວາມຮູ້ສຶກ

ການປັບປຸງ on ມັງກອນ 16, 2024

ການວິເຄາະຄວາມຮູ້ສຶກແມ່ນເຕັກນິກທີ່ມີປະສິດທິພາບທີ່ທ່ານສາມາດນໍາໃຊ້ເພື່ອເຮັດສິ່ງຕ່າງໆເຊັ່ນການວິເຄາະຄວາມຄິດເຫັນຂອງລູກຄ້າຫຼືຕິດຕາມສື່ສັງຄົມ. ດ້ວຍວ່າ, ການວິເຄາະຄວາມຮູ້ສຶກແມ່ນສັບສົນຫຼາຍເພາະວ່າມັນກ່ຽວຂ້ອງກັບຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງແລະການປ່ຽນແປງພາສາ.

ເຕັກນິກການປະມວນຜົນພາສາທໍາມະຊາດ (NLP), ການວິເຄາະຄວາມຮູ້ສຶກສາມາດຖືກນໍາໃຊ້ເພື່ອກໍານົດວ່າຂໍ້ມູນເປັນບວກ, ລົບ, ຫຼືເປັນກາງ. ນອກເໜືອໄປຈາກການສຸມໃສ່ຄວາມແຕກຕ່າງຂອງຕົວໜັງສື, ມັນຍັງສາມາດກວດພົບຄວາມຮູ້ສຶກສະເພາະໃດຫນຶ່ງ, ເຊັ່ນ: ໃຈຮ້າຍ, ດີໃຈ, ແລະ sad. ການວິເຄາະຄວາມຮູ້ສຶກແມ່ນຍັງໃຊ້ເພື່ອກໍານົດຄວາມຕັ້ງໃຈ, ເຊັ່ນວ່າຜູ້ໃດຜູ້ຫນຶ່ງມີຄວາມສົນໃຈຫຼືບໍ່.

ການວິເຄາະຄວາມຮູ້ສຶກເປັນເຄື່ອງມືທີ່ມີປະສິດທິພາບສູງທີ່ກໍາລັງຖືກນໍາໄປໃຊ້ໂດຍທຸລະກິດທຸກປະເພດ, ແລະມີຫ້ອງສະຫມຸດ Python ຫຼາຍທີ່ສາມາດຊ່ວຍປະຕິບັດຂະບວນການນີ້.

ນີ້ແມ່ນ 10 ຫ້ອງສະຫມຸດ Python ທີ່ດີທີ່ສຸດສໍາລັບການວິເຄາະຄວາມຮູ້ສຶກ:

1. ຮູບແບບ

ອັນດັບໜຶ່ງຂອງຫ້ອງສະໝຸດ Python ທີ່ດີທີ່ສຸດຂອງພວກເຮົາສຳລັບການວິເຄາະຄວາມຮູ້ສຶກແມ່ນ Pattern, ເຊິ່ງເປັນຫ້ອງສະໝຸດ Python ອະເນກປະສົງທີ່ສາມາດຈັດການ NLP, ການຂຸດຄົ້ນຂໍ້ມູນ, ການວິເຄາະເຄືອຂ່າຍ, ການຮຽນຮູ້ເຄື່ອງຈັກ ແລະ ການເບິ່ງເຫັນພາບ.

ຮູບແບບສະຫນອງລັກສະນະທີ່ກວ້າງຂວາງ, ລວມທັງການຊອກຫາ superlatives ແລະການປຽບທຽບ. ມັນຍັງສາມາດປະຕິບັດການກວດສອບຄວາມຈິງແລະຄວາມຄິດເຫັນ, ເຊິ່ງເຮັດໃຫ້ມັນໂດດເດັ່ນເປັນທາງເລືອກອັນດັບຕົ້ນສໍາລັບການວິເຄາະຄວາມຮູ້ສຶກ. ຟັງຊັນໃນ Pattern ໃຫ້ຜົນຕອບແທນ polarity ແລະ subjectivity ຂອງຂໍ້ຄວາມທີ່ໃຫ້, ໂດຍມີຜົນ Polarity ຕັ້ງແຕ່ທາງບວກສູງໄປຫາທາງລົບສູງ.

ນີ້ແມ່ນບາງລັກສະນະຕົ້ນຕໍຂອງຮູບແບບ:

ຫ້ອງສະຫມຸດອະເນກປະສົງ
ຊອກຫາ superlatives ແລະການປຽບທຽບ
ໃຫ້ຜົນເປັນ Polarity ແລະ subjectivity ຂອງຂໍ້ຄວາມທີ່ໃຫ້
ໄລຍະ Polarity ຈາກທາງບວກສູງໄປຫາລົບສູງ

2. Vader

ອີກທາງເລືອກໜຶ່ງສຳລັບການວິເຄາະຄວາມຮູ້ສຶກແມ່ນ VADER (Valence Aware Dictionary ແລະ sEntiment Reasoner), ເຊິ່ງເປັນຕົວວິເຄາະຄວາມຮູ້ສຶກແບບເປີດໃນ NLTK. ເຄື່ອງມືດັ່ງກ່າວໄດ້ຖືກອອກແບບໂດຍສະເພາະສໍາລັບຄວາມຮູ້ສຶກທີ່ສະແດງອອກໃນສື່ມວນຊົນສັງຄົມ, ແລະມັນໃຊ້ການປະສົມປະສານຂອງ lexicon sentiment ແລະບັນຊີລາຍຊື່ຂອງລັກສະນະ lexical ໂດຍທົ່ວໄປແລ້ວຕາມການກໍານົດທິດທາງ semantic ຂອງເຂົາເຈົ້າເປັນບວກຫຼືລົບ.

VADER ຄິດໄລ່ຄວາມຮູ້ສຶກຂອງຂໍ້ຄວາມ ແລະສົ່ງຄືນຄວາມເປັນໄປໄດ້ຂອງປະໂຫຍກທີ່ລະບຸໃຫ້ເປັນບວກ, ລົບ, ຫຼືທາງ neural. ເຄື່ອງມືສາມາດວິເຄາະຂໍ້ມູນຈາກທຸກປະເພດຂອງເວທີສື່ມວນຊົນສັງຄົມ, ເຊັ່ນ Twitter ແລະ Facebook.

ນີ້ແມ່ນບາງລັກສະນະຕົ້ນຕໍຂອງ VADER:

ບໍ່ຕ້ອງການຂໍ້ມູນການຝຶກອົບຮົມ
ເຂົ້າໃຈຄວາມຮູ້ສຶກຂອງຂໍ້ຄວາມທີ່ມີ emoticons, slangs, conjunctions, ແລະອື່ນໆ.
ທີ່ດີເລີດສໍາລັບຂໍ້ຄວາມສື່ມວນຊົນສັງຄົມ
ຫ້ອງສະໝຸດແບບເປີດ

3. ເບີທ

BERT (Bidirectional Encoder Representations from Transformers) ແມ່ນຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກຊັ້ນນໍາທີ່ໃຊ້ສໍາລັບວຽກງານ NLP, ລວມທັງການວິເຄາະຄວາມຮູ້ສຶກ. ພັດທະນາໃນປີ 2018 ໂດຍ Google, ຫ້ອງສະໝຸດໄດ້ຮັບການຝຶກອົບຮົມໃນພາສາອັງກິດ WIkipedia ແລະ BooksCorpus, ແລະມັນໄດ້ພິສູດວ່າເປັນໜຶ່ງໃນຫ້ອງສະໝຸດທີ່ຖືກຕ້ອງທີ່ສຸດສຳລັບວຽກ NLP.

ເນື່ອງຈາກວ່າ BERT ໄດ້ຖືກຝຶກອົບຮົມຢູ່ໃນ corpus ຂໍ້ຄວາມຂະຫນາດໃຫຍ່, ມັນມີຄວາມສາມາດທີ່ດີກວ່າທີ່ຈະເຂົ້າໃຈພາສາແລະການຮຽນຮູ້ການປ່ຽນແປງໃນຮູບແບບຂໍ້ມູນ.

ນີ້ແມ່ນບາງລັກສະນະຕົ້ນຕໍຂອງ BERT:

ງ່າຍທີ່ຈະປັບປັບ
ວຽກງານ NLP ຢ່າງກວ້າງຂວາງ, ລວມທັງການວິເຄາະຄວາມຮູ້ສຶກ
ຝຶກອົບຮົມຢູ່ໃນ corpus ຂະຫນາດໃຫຍ່ຂອງຂໍ້ຄວາມທີ່ບໍ່ມີປ້າຍຊື່
ແບບສອງທິດເລິກ

4. TextBlob

TextBlob ແມ່ນອີກທາງເລືອກທີ່ດີສໍາລັບການວິເຄາະຄວາມຮູ້ສຶກ. ຫ້ອງສະຫມຸດ Python ງ່າຍດາຍສະຫນັບສະຫນູນການວິເຄາະສະລັບສັບຊ້ອນແລະການດໍາເນີນງານກ່ຽວກັບຂໍ້ມູນຂໍ້ຄວາມ. ສໍາລັບວິທີການທີ່ອີງໃສ່ lexicon, TextBlob ກໍານົດຄວາມຮູ້ສຶກໂດຍການປະຖົມນິເທດຂອງ semantic ແລະຄວາມເຂັ້ມຂົ້ນຂອງແຕ່ລະຄໍາໃນປະໂຫຍກ, ເຊິ່ງຕ້ອງການວັດຈະນານຸກົມທີ່ໄດ້ກໍານົດໄວ້ກ່ອນຈັດປະເພດຄໍາສັບທາງລົບແລະທາງບວກ. ເຄື່ອງມືກໍານົດຄະແນນແຕ່ລະຄົນໃຫ້ກັບທຸກຄໍາ, ແລະຄວາມຮູ້ສຶກສຸດທ້າຍແມ່ນຄິດໄລ່.

TextBlob ສົ່ງຄືນ polarity ແລະ subjectivity ຂອງປະໂຫຍກ, ທີ່ມີໄລຍະ Polarity ຂອງລົບເຖິງບວກ. ປ້າຍຊື່ຂອງຫ້ອງສະໝຸດຊ່ວຍໃນການວິເຄາະ, ລວມທັງອີໂມຕິຄອນ, ເຄື່ອງໝາຍອຸທານ, ອີໂມຈິ ແລະອື່ນໆອີກ.

ນີ້ແມ່ນບາງລັກສະນະຕົ້ນຕໍຂອງ TextBlob:

ຫ້ອງສະຫມຸດ Python ງ່າຍດາຍ
ສະຫນັບສະຫນູນການວິເຄາະສະລັບສັບຊ້ອນແລະການດໍາເນີນງານກ່ຽວກັບຂໍ້ມູນຂໍ້ຄວາມ
ກໍານົດຄະແນນຄວາມຮູ້ສຶກສ່ວນບຸກຄົນ
ໃຫ້ຜົນເປັນ Polarity ແລະ subjectivity ຂອງປະໂຫຍກ

5. ສະປາຊີ

ຫ້ອງສະຫມຸດ NLP ແຫຼ່ງເປີດ, spaCy ແມ່ນທາງເລືອກອັນດັບຫນຶ່ງສໍາລັບການວິເຄາະຄວາມຮູ້ສຶກ. ຫ້ອງສະຫມຸດຊ່ວຍໃຫ້ນັກພັດທະນາສ້າງແອັບພລິເຄຊັນທີ່ສາມາດປຸງແຕ່ງແລະເຂົ້າໃຈຂໍ້ຄວາມຈໍານວນຫຼວງຫຼາຍ, ແລະມັນຖືກນໍາໃຊ້ເພື່ອສ້າງລະບົບຄວາມເຂົ້າໃຈພາສາທໍາມະຊາດແລະລະບົບການສະກັດເອົາຂໍ້ມູນ.

ດ້ວຍ spaCy, ທ່ານສາມາດປະຕິບັດການວິເຄາະຄວາມຮູ້ສຶກເພື່ອເກັບກໍາຂໍ້ມູນຄວາມເຂົ້າໃຈກ່ຽວກັບຜະລິດຕະພັນຫຼືຍີ່ຫໍ້ຂອງທ່ານຈາກແຫຼ່ງຕ່າງໆເຊັ່ນອີເມວ, ສື່ສັງຄົມແລະການທົບທວນຜະລິດຕະພັນ.

ນີ້ແມ່ນບາງລັກສະນະຕົ້ນຕໍຂອງ SpaCy:

ໄວແລະງ່າຍທີ່ຈະນໍາໃຊ້
ດີເລີດສໍາລັບຜູ້ພັດທະນາຜູ້ເລີ່ມຕົ້ນ
ປະມວນຜົນຂໍ້ຄວາມປະລິມານຫຼາຍ
ການວິເຄາະຄວາມຮູ້ສຶກທີ່ມີແຫຼ່ງທີ່ກວ້າງຂວາງ

6. CoreNLP

Stanford CoreNLP ແມ່ນຫ້ອງສະຫມຸດ Python ອື່ນທີ່ປະກອບດ້ວຍເຄື່ອງມືເຕັກໂນໂລຢີພາສາຂອງມະນຸດທີ່ຫລາກຫລາຍທີ່ຊ່ວຍນໍາໃຊ້ການວິເຄາະທາງພາສາກັບຂໍ້ຄວາມ. CoreNLP ປະກອບເຄື່ອງມື Stanford NLP, ລວມທັງການວິເຄາະຄວາມຮູ້ສຶກ. ມັນຍັງສະຫນັບສະຫນູນທັງຫມົດຫ້າພາສາ: ພາສາອັງກິດ, Arabic, ເຍຍລະມັນ, ຈີນ, ຝຣັ່ງ, ແລະແອສປາໂຍນ.

ເຄື່ອງມືຄວາມຮູ້ສຶກປະກອບມີໂຄງການຕ່າງໆທີ່ຈະສະຫນັບສະຫນູນມັນ, ແລະຕົວແບບສາມາດຖືກນໍາໃຊ້ເພື່ອວິເຄາະຂໍ້ຄວາມໂດຍການເພີ່ມ "ຄວາມຮູ້ສຶກ" ກັບບັນຊີລາຍການຂອງຄໍາບັນຍາຍ. ມັນຍັງປະກອບມີສາຍຄໍາສັ່ງຂອງການສະຫນັບສະຫນູນແລະການສະຫນັບສະຫນູນການຝຶກອົບຮົມແບບຈໍາລອງ.

ນີ້ແມ່ນບາງລັກສະນະຕົ້ນຕໍຂອງ CoreNLP:

ລວມເອົາເຄື່ອງມື Stanford NLP
ຮອງຮັບຫ້າພາສາ
ວິເຄາະຂໍ້ຄວາມໂດຍການເພີ່ມ "ຄວາມຮູ້ສຶກ"
ສາຍຄໍາສັ່ງຂອງການສະຫນັບສະຫນູນແລະການສະຫນັບສະຫນູນການຝຶກອົບຮົມແບບຈໍາລອງ

7. scikit- ຮຽນຮູ້

ຫໍສະໝຸດ Python ແບບດ່ຽວໃນ Github, scikit-learn ໃນເບື້ອງຕົ້ນແມ່ນສ່ວນຂະຫຍາຍຂອງພາກສ່ວນທີສາມໃຫ້ກັບຫ້ອງສະໝຸດ SciPy. ໃນຂະນະທີ່ມັນເປັນປະໂຫຍດໂດຍສະເພາະສໍາລັບລະບົບການຮຽນຮູ້ເຄື່ອງຈັກຄລາສສິກເຊັ່ນ: ທີ່ໃຊ້ສໍາລັບການກວດສອບ spam ແລະການຮັບຮູ້ຮູບພາບ, scikit-learn ຍັງສາມາດຖືກນໍາໃຊ້ສໍາລັບວຽກງານ NLP, ລວມທັງການວິເຄາະຄວາມຮູ້ສຶກ.

ຫ້ອງສະຫມຸດ Python ສາມາດຊ່ວຍໃຫ້ທ່ານປະຕິບັດການວິເຄາະຄວາມຮູ້ສຶກເພື່ອວິເຄາະຄວາມຄິດເຫັນຫຼືຄວາມຮູ້ສຶກຜ່ານຂໍ້ມູນໂດຍການຝຶກອົບຮົມແບບຈໍາລອງທີ່ສາມາດຜົນໄດ້ຮັບຖ້າຂໍ້ຄວາມເປັນບວກຫຼືລົບ. ມັນສະຫນອງຫຼາຍ vectorizers ເພື່ອແປເອກະສານປ້ອນເຂົ້າເປັນ vectors ຂອງລັກສະນະ, ແລະມັນມາພ້ອມກັບຈໍານວນຂອງ classifiers ທີ່ແຕກຕ່າງກັນໃນຕົວແລ້ວ.

ນີ້ແມ່ນບາງລັກສະນະຕົ້ນຕໍຂອງ scikit-learn:

ສ້າງຂຶ້ນໃນ SciPy ແລະ NumPy
ພິສູດດ້ວຍຄໍາຮ້ອງສະຫມັກໃນຊີວິດຈິງ
ຄວາມຫຼາກຫຼາຍຂອງແບບຈໍາລອງ ແລະສູດການຄິດໄລ່
ໃຊ້ໂດຍບໍລິສັດໃຫຍ່ເຊັ່ນ Spotify

8. polyglot

ທາງເລືອກທີ່ດີອີກອັນໜຶ່ງສຳລັບການວິເຄາະຄວາມຮູ້ສຶກແມ່ນ Polyglot, ເຊິ່ງເປັນຫ້ອງສະໝຸດ Python ແຫຼ່ງເປີດທີ່ໃຊ້ເພື່ອປະຕິບັດການດຳເນີນງານ NLP ທີ່ຫຼາກຫຼາຍ. ຫ້ອງສະຫມຸດແມ່ນອີງໃສ່ Numpy ແລະໄວຢ່າງບໍ່ຫນ້າເຊື່ອໃນຂະນະທີ່ສະເຫນີຄໍາສັ່ງຈໍານວນຫລາຍທີ່ອຸທິດຕົນ.

ຫນຶ່ງໃນຈຸດຂາຍສູງສຸດຂອງ Polyglot ແມ່ນວ່າມັນສະຫນັບສະຫນູນຄໍາຮ້ອງສະຫມັກຫຼາຍພາສາຢ່າງກວ້າງຂວາງ. ອີງຕາມເອກະສານຂອງມັນ, ມັນສະຫນັບສະຫນູນການວິເຄາະຄວາມຮູ້ສຶກສໍາລັບ 136 ພາສາ. ມັນເປັນທີ່ຮູ້ຈັກສໍາລັບປະສິດທິພາບ, ຄວາມໄວ, ແລະກົງໄປກົງມາ. Polyglot ມັກຈະຖືກເລືອກສໍາລັບໂຄງການທີ່ກ່ຽວຂ້ອງກັບພາສາທີ່ບໍ່ສະຫນັບສະຫນູນໂດຍ spaCy.

ນີ້ແມ່ນບາງລັກສະນະຕົ້ນຕໍຂອງ Polyglot:

ຫຼາຍພາສາທີ່ມີ 136 ພາສາທີ່ຮອງຮັບສໍາລັບການວິເຄາະຄວາມຮູ້ສຶກ
ສ້າງຂຶ້ນຢູ່ເທິງສຸດຂອງ NumPy
ແຫຼ່ງເປີດ
ມີປະສິດທິພາບ, ໄວ, ແລະກົງໄປກົງມາ

9. PyTorch

ໃກ້ຈະສິ້ນສຸດບັນຊີລາຍຊື່ຂອງພວກເຮົາແມ່ນ PyTorch, ຫໍສະຫມຸດ Python ແຫຼ່ງເປີດອື່ນ. ສ້າງໂດຍທີມງານຄົ້ນຄ້ວາ AI ຂອງ Facebook, ຫ້ອງສະຫມຸດຊ່ວຍໃຫ້ທ່ານສາມາດປະຕິບັດຄໍາຮ້ອງສະຫມັກທີ່ແຕກຕ່າງກັນ, ລວມທັງການວິເຄາະຄວາມຮູ້ສຶກ, ບ່ອນທີ່ມັນສາມາດກວດພົບວ່າປະໂຫຍກແມ່ນບວກຫຼືລົບ.

PyTorch ແມ່ນໄວທີ່ສຸດໃນການປະຕິບັດ, ແລະມັນສາມາດດໍາເນີນການໄດ້ໃນໂປເຊດເຊີທີ່ງ່າຍດາຍຫຼື CPUs ແລະ GPUs. ທ່ານສາມາດຂະຫຍາຍຫ້ອງສະຫມຸດດ້ວຍ APIs ທີ່ມີປະສິດທິພາບ, ແລະມັນມີຊຸດເຄື່ອງມືພາສາທໍາມະຊາດ.

ນີ້ແມ່ນບາງລັກສະນະຕົ້ນຕໍຂອງ PyTorch:

ເວທີຄລາວ ແລະລະບົບນິເວດ
ໂຄງຮ່າງທີ່ເຂັ້ມແຂງ
ໄວທີ່ສຸດ
ສາມາດດໍາເນີນການໄດ້ໃນໂປເຊດເຊີທີ່ງ່າຍດາຍ, CPU, ຫຼື GPUs

10. Flair

ການປິດບັນຊີລາຍຊື່ຂອງພວກເຮົາຂອງ 10 ຫ້ອງສະຫມຸດ Python ທີ່ດີທີ່ສຸດສໍາລັບການວິເຄາະຄວາມຮູ້ສຶກແມ່ນ Flair, ເຊິ່ງເປັນຫ້ອງສະຫມຸດ NLP ແຫຼ່ງເປີດງ່າຍດາຍ. ກອບຂອງມັນຖືກສ້າງຂື້ນໂດຍກົງໃນ PyTorch, ແລະທີມງານຄົ້ນຄ້ວາທີ່ຢູ່ເບື້ອງຫລັງ Flair ໄດ້ປ່ອຍຕົວແບບທີ່ໄດ້ຮັບການຝຶກອົບຮົມກ່ອນຫຼາຍໆຢ່າງສໍາລັບວຽກງານທີ່ຫຼາກຫຼາຍ.

ຫນຶ່ງໃນຕົວແບບທີ່ໄດ້ຮັບການຝຶກອົບຮົມກ່ອນແມ່ນຮູບແບບການວິເຄາະຄວາມຮູ້ສຶກທີ່ໄດ້ຮັບການຝຶກອົບຮົມໃນຊຸດຂໍ້ມູນ IMDB, ແລະມັນງ່າຍດາຍທີ່ຈະໂຫລດແລະເຮັດການຄາດເດົາ. ນອກນັ້ນທ່ານຍັງສາມາດຝຶກອົບຮົມການຈັດປະເພດກັບ Flair ໂດຍໃຊ້ຊຸດຂໍ້ມູນຂອງທ່ານ. ໃນຂະນະທີ່ມັນເປັນຮູບແບບທີ່ມີປະໂຫຍດກ່ອນການຝຶກອົບຮົມ, ຂໍ້ມູນທີ່ມັນໄດ້ຮັບການຝຶກອົບຮົມອາດຈະບໍ່ໂດຍທົ່ວໄປເຊັ່ນດຽວກັນກັບໂດເມນອື່ນໆ, ເຊັ່ນ Twitter.

ນີ້ແມ່ນບາງລັກສະນະຕົ້ນຕໍຂອງ Flair: