nlp_xiaojiang/readme.md

nlp_xiaojiang

AugmentText

- 回译（效果比较好）
- EDA（同义词替换、插入、交换和删除）（）效果还行
- HMM-marko（质量较差）
- syntax（依存句法、句法、语法书）todo

ChatBot

- 检索式ChatBot
    - 像ES那样直接检索(如使用fuzzywuzzy)，只能字面匹配
    - 构造句向量，检索问答库，能够检索有同义词的句子
- 生成式ChatBot（todo）
    - seq2seq
    - GAN

FeatureProject

- normalization_util指的是数据归一化
    - 0-1归一化处理
    - 均值归一化
    - sig归一化处理
- sim feature（这里只有ML，没有bert、emlo等的句向量相似度）
    - distance_text_or_vec:各种计算文本、向量距离等
    - distance_vec_TS_SS：TS_SS计算词向量距离
    - cut_td_idf：将小黄鸡语料和gossip结合
    - sentence_sim_feature：计算两个文本的相似度或者距离，例如qq（问题和问题），或者qa（问题和答案）

run(可以在win10下,pycharm下运行)

• 1.创建tf-idf文件等（运行2需要先跑1）: python cut_td_idf.py
• 2.计算两个句子间的各种相似度，先计算一个预定义的，然后可输入自定义的（先跑1）: python sentence_sim_feature.py
• 3.chatbot_1跑起来(fuzzy检索-没)（独立）：python chatbot_fuzzy.py
• 4.chatbot_2跑起来(句向量检索-词)（独立）：python chatbot_sentence_vec_by_word.py
• 5.chatbot_3跑起来(句向量检索-字)（独立）：python chatbot_sentence_vec_by_char.py
• 6.数据增强（eda)： python enhance_eda.py
• 7.数据增强（marko）: python enhance_marko.py
• 8.数据增强（translate_account）: python translate_tencent_secret.py
• 9.数据增强（translate_tools）: python translate_translate.py
• 10.数据增强（translate_web）: python translate_google.py

Data

- chinese_vector
    - 截取的部分word2vec训练词向量（自己需要下载全效果才会好）
- corpus
    - 小黄鸡和gossip问答预料（数据没清洗）
- sentence_vec_encode_char
    - 1.txt（字向量生成的前100000句向量）
- sentence_vec_encode_word
    - 1.txt（词向量生成的前100000句向量）
- tf_idf（chicken_and_gossip.txt生成的tf-idf）

requestments.txt

- python_Levenshtei
    - 调用Levenshtein，我的python是3.6，
    - 打开其源文件https://www.lfd.uci.edu/~gohlke/pythonlibs/
    - 查找python_Levenshtein-0.12.0-cp36-cp36m-win_amd64.whl下载即可
- pyemd
- pyhanlp
    - 下好依赖JPype1-0.6.3-cp36-cp36m-win_amd64.whl