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）（简单句还可）
- seq2seq（深度学习同义句生成，效果不理想，seq2seq代码大都是 [https://github.com/qhduan/just_another_seq2seq] 的，效果不理想）

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

ClassificationText

- bert+bi-lstm(keras) approach 0.78~0.79% acc of weBank Intelligent Customer Service Question Matching Competition
- bert + text-cnn(keras) approach 0.78~0.79% acc of weBank Intelligent Customer Service Question Matching Competition
- bert + r-cnn(keras) approach 0.78~0.79% acc of weBank Intelligent Customer Service Question Matching Competition
- bert + avt-cnn(keras) approach 0.78~0.79% acc of weBank Intelligent Customer Service Question Matching Competition

FeatureProject

- bert句向量、文本相似度
    - bert/extract_keras_bert_feature.py:提取bert句向量特征
    - bert/tet_bert_keras_sim.py:测试bert句向量cosin相似度
- 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（ML）
    - 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
• 11.数据增强（augment_seq2seq）: 先跑 python extract_char_webank.py生成数据， 再跑 python train_char_anti.py 然后跑 python predict_char_anti.py
• 12.特征计算(bert)（提取特征、计算相似度）: run extract_keras_bert_feature.py run tet_bert_keras_sim.py

Data

- chinese_L-12_H-768_A-12（谷歌预训练好的模型）
   github项目中只是上传部分数据，需要的前往链接: https://pan.baidu.com/s/1I3vydhmFEQ9nuPG2fDou8Q 提取码: rket
   解压后就可以啦
- chinese_vector
    github项目中只是上传部分数据，需要的前往链接: https://pan.baidu.com/s/1I3vydhmFEQ9nuPG2fDou8Q 提取码: rket
    - 截取的部分word2vec训练词向量（自己需要下载全效果才会好）
    - w2v_model_wiki_char.vec、w2v_model_wiki_word.vec都只有部分
- corpus
    github项目中只是上传部分数据，需要的前往链接: https://pan.baidu.com/s/1I3vydhmFEQ9nuPG2fDou8Q 提取码: rket
    - webank(train、dev、test)
    - 小黄鸡和gossip问答预料（数据没清洗）,chicken_and_gossip.txt
    - 微众银行和支付宝文本相似度竞赛数据， sim_webank.csv
- 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

参考/感谢

• eda_chinese：https://github.com/zhanlaoban/eda_nlp_for_Chinese
• 主谓宾提取器：https://github.com/hankcs/MainPartExtractor
• HMM生成句子：https://github.com/takeToDreamLand/SentenceGenerate_byMarkov
• 同义词等：https://github.com/fighting41love/funNLP/tree/master/data/
• 小牛翻译：http://www.niutrans.com/index.html

其他资料

• bert(keras):https://github.com/CyberZHG/keras-bert
• NLP数据增强汇总:https://github.com/quincyliang/nlp-data-augmentation
• 知乎NLP数据增强话题:https://www.zhihu.com/question/305256736/answer/550873100
• chatbot_seq2seq_seqGan（比较好用）：https://github.com/qhduan/just_another_seq2seq
• 自己动手做聊天机器人教程: https://github.com/warmheartli/ChatBotCourse