一、文本事理类型分析

中文复合事件抽取，可以用来识别文本的模式，包括条件事件、顺承事件、反转事件。

我仅仅是对代码做了简单的修改，增加了函数说明注释和stats函数，可以用于统计文本中各种模式的分布(数量)情况。代码原作者为刘焕勇 https://github.com/liuhuanyong

事件图谱（事理图谱）的类型

项目地址https://github.com/liuhuanyong/ComplexEventExtraction 项目介绍很详细，感兴趣的一定要去原项目看一下。

事件	含义	形式化	事件应用	图谱场景	举例
条件事件	某事件条件下另一事件发生	如果A那么B	事件预警	时机判定	<限制放宽,立即增产>
反转事件	某事件与另一事件形成对立	虽然A但是B	预防不测	反面教材	<起步晚,发展快>
顺承事件	某事件紧接着另一事件发生	A接着B	事件演化	未来意图识别	<去旅游,买火车票>

分析出文本中的条件、顺承、反转，理论上就可以构建知识网络(本库做不到这可视化)。 1、反转事件图谱 2、条件事件图谱

二、安装方法

2.1 方法一

最简单的安装,现在由于国内外网络不稳定，可能需要尝试几次

pip3 install eventextraction

2.2 加镜像站点

有的童鞋已经把pip默认安装镜像站点改为国内，如果国内镜像还未收录我的这个包，那么可能会安装失败。只能从国外

https://pypi.org/simple

站点搜索eventextraction资源并安装

pip3 install eventextraction -i https://pypi.org/simple

2.3 国内镜像安装

如果国内镜像站点已经收录，那么使用这个会更快

pip3 install eventextraction -i https://pypi.tuna.tsinghua.edu.cn/simple/

三、使用

3.1 主函数

from eventextraction import EventsExtraction

extractor = EventsExtraction()
content = '虽然你做了坏事，但我觉得你是好人。一旦时机成熟，就坚决推行'
datas = extractor.extract_main(content)
print(datas)

运行结果

[{'sent': '虽然你做了坏事，但我觉得你是好人', 'type': 'but', 'tuples': {'pre_wd': '虽然', 'pre_part': '你做了坏事，', 'post_wd': '但', 'post_part ': '我觉得你是好人'}},
{'sent': '一旦时机成熟，就坚决推行', 'type': 'condition', 'tuples': {'pre_wd': '一旦', 'pre_part': '时机成熟，', 'post_wd': '就', 'post_part ': '坚决推行'}}]

3.2 统计

from eventextraction import EventsExtraction

extractor = EventsExtraction()
content = '虽然你做了坏事，但我觉得你是好人。一旦时机成熟，就坚决推行'
datas = extractor.extract_main(content)
print(extractor.stats(datas))

运行结果

{'but': 1, 'condition': 1, 'seq': 0, 'more': 0, 'other': 0}

如果

如果您是经管人文社科专业背景，编程小白，面临海量文本数据采集和处理分析艰巨任务，可以参看《python网络爬虫与文本数据分析》视频课。作为文科生，一样也是从两眼一抹黑开始，这门课程是用五年时间凝缩出来的。自认为讲的很通俗易懂o(￣︶￣)o，

• python入门
• 网络爬虫
• 数据读取
• 文本分析入门
• 机器学习与文本分析
• 文本分析在经管研究中的应用

感兴趣的童鞋不妨 戳一下《python网络爬虫与文本数据分析》进来看看~

更多

• B站:大邓和他的python

• 公众号：大邓和他的python

• 知乎专栏：数据科学家