underthesea 1.1.9a5

Vietnamese NLP Toolkit

Underthesea - Vietnamese NLP Toolkit

underthesea is a suite of open source Python modules, data sets and tutorials supporting research and development in Vietnamese Natural Language Processing.

• Free software: GNU General Public License v3

• Documentation: https://underthesea.readthedocs.io

• Live demo: undertheseanlp.com

• Facebook Page: https://www.facebook.com/undertheseanlp/

• Youtube: Underthesea NLP Channel

Installation

To install underthesea, simply:

$ pip install underthesea==1.1.8
✨🍰✨

Satisfaction, guaranteed.

Usage

• 1. Word Segmentation

• 2. POS Tagging

• 3. Chunking

• 4. Named Entity Recognition

• 5. Text Classification

• 6. Sentiment Analysis

1. Word Segmentation

Usage

>>> # -*- coding: utf-8 -*-
>>> from underthesea import word_tokenize
>>> sentence = 'Chàng trai 9X Quảng Trị khởi nghiệp từ nấm sò'

>>> word_tokenize(sentence)
['Chàng trai', '9X', 'Quảng Trị', 'khởi nghiệp', 'từ', 'nấm', 'sò']

>>> word_tokenize(sentence, format="text")
'Chàng_trai 9X Quảng_Trị khởi_nghiệp từ nấm sò'

2. POS Tagging

Usage

>>> # -*- coding: utf-8 -*-
>>> from underthesea import pos_tag
>>> pos_tag('Chợ thịt chó nổi tiếng ở Sài Gòn bị truy quét')
[('Chợ', 'N'),
 ('thịt', 'N'),
 ('chó', 'N'),
 ('nổi tiếng', 'A'),
 ('ở', 'E'),
 ('Sài Gòn', 'Np'),
 ('bị', 'V'),
 ('truy quét', 'V')]

3. Chunking

Usage

>>> # -*- coding: utf-8 -*-
>>> from underthesea import chunk
>>> text = 'Bác sĩ bây giờ có thể thản nhiên báo tin bệnh nhân bị ung thư?'
>>> chunk(text)
[('Bác sĩ', 'N', 'B-NP'),
 ('bây giờ', 'P', 'I-NP'),
 ('có thể', 'R', 'B-VP'),
 ('thản nhiên', 'V', 'I-VP'),
 ('báo tin', 'N', 'B-NP'),
 ('bệnh nhân', 'N', 'I-NP'),
 ('bị', 'V', 'B-VP'),
 ('ung thư', 'N', 'I-VP'),
 ('?', 'CH', 'O')]

4. Named Entity Recognition

Usage

>>> # -*- coding: utf-8 -*-
>>> from underthesea import ner
>>> text = 'Chưa tiết lộ lịch trình tới Việt Nam của Tổng thống Mỹ Donald Trump'
>>> ner(text)
[('Chưa', 'R', 'O', 'O'),
 ('tiết lộ', 'V', 'B-VP', 'O'),
 ('lịch trình', 'V', 'B-VP', 'O'),
 ('tới', 'E', 'B-PP', 'O'),
 ('Việt Nam', 'Np', 'B-NP', 'B-LOC'),
 ('của', 'E', 'B-PP', 'O'),
 ('Tổng thống', 'N', 'B-NP', 'O'),
 ('Mỹ', 'Np', 'B-NP', 'B-LOC'),
 ('Donald', 'Np', 'B-NP', 'B-PER'),
 ('Trump', 'Np', 'B-NP', 'I-PER')]

5. Text Classification

Install dependencies and download default model

$ pip install Cython
$ pip install joblib future scipy numpy scikit-learn
$ pip install -U fasttext --no-cache-dir --no-deps --force-reinstall
$ underthesea data

Usage

>>> # -*- coding: utf-8 -*-
>>> from underthesea import classify
>>> classify('HLV đầu tiên ở Premier League bị sa thải sau 4 vòng đấu')
['The thao']
>>> classify('Hội đồng tư vấn kinh doanh Asean vinh danh giải thưởng quốc tế')
['Kinh doanh']
>>> classify('Đánh giá “rạp hát tại gia” Samsung Soundbar Sound+ MS750')
['Vi tinh']

6. Sentiment Analysis

Install dependencies

$ pip install future scipy numpy scikit-learn==0.19.2 joblib

Usage

>>> # -*- coding: utf-8 -*-
>>> from underthesea import sentiment
>>> sentiment('Gọi mấy lần mà lúc nào cũng là các chuyên viên đang bận hết ạ', domain='bank')
('CUSTOMER SUPPORT#NEGATIVE',)
>>> sentiment('bidv cho vay hay ko phu thuoc y thich cua thang tham dinh, ko co quy dinh ro rang', domain='bank')
('LOAN#NEGATIVE',)

Up Coming Features

• Text to Speech

• Automatic Speech Recognition

• Machine Translation

• Dependency Parsing

Contributing

Do you want to contribute with underthesea development? Great! Please read more details at CONTRIBUTING.rst.

History

1.1.8 (2018-06-20)

• Fix word_tokenize error when text contains tab (t) character

• Fix regex_tokenize with url

1.1.7 (2018-04-12)

• Rename word_sent function to word_tokenize

• Refactor version control in setup.py file and __init__.py file

• Update documentation badge url

1.1.6 (2017-12-26)

• New feature: aspect sentiment analysis

• Integrate with languageflow 1.1.6

• Fix bug tokenize string with ‘=’ (#159)

1.1.5 (2017-10-12)

• New feature: named entity recognition

• Refactor and update model for word_sent, pos_tag, chunking

1.1.4 (2017-09-12)

• New feature: text classification

• [bug] Fix Text error

• [doc] Add facebook link

1.1.3 (2017-08-30)

• Add live demo: https://underthesea.herokuapp.com/

1.1.2 (2017-08-22)

• Add dictionary

1.1.1 (2017-07-05)

• Support Python 3

• Refactor feature_engineering code

1.1.0 (2017-05-30)

• Add chunking feature

• Add pos_tag feature

• Add word_sent feature, fix performance

• Add Corpus class

• Add Transformer classes

• Integrated with dictionary of Ho Ngoc Duc

• Add travis-CI, auto build with PyPI

1.0.0 (2017-03-01)

• First release on PyPI.

• First release on Readthedocs