Der Watson Natural Language Processing-Block für Schlüsselwortextraktion mit Rangfolge extrahiert Nominalphrase aus dem Eingabetext gemäß ihrer Relevanz.
Unterstützte Sprachen
Die Schlagwortextraktion mit Text-Ranking ist für die folgenden Sprachen verfügbar:
ar, cs, da, de, en, es, fi, fr, he, hi, it, ja, ko, nb, nl, nn, pt, ro, ru, sk, sv, tr, zh-cn
Eine Liste der Sprachcodes und der entsprechenden Sprachen finden Sie unter Sprachcodes.
Fähigkeiten
Der Block für Schlüsselwörter mit Textrangfolge ordnet Nominalphrasen, die aus einem Eingabedokument extrahiert wurden, nach ihrer Relevanz innerhalb des Dokuments sind.
| Fähigkeiten | Beispiele |
|---|---|
| Extrahierte Nominalphrasen nach Relevanz ordnen | "Anna hat an der University of California Santa Cruz studiert. Anna ging im Jahr 2015 an die Universität." -> Anna, University of California Santa Cruz |
Schlüsselwortextraktion
Blockname
keywords_embed-rank_multi_stock
Abhängigkeiten von anderen Blöcken
Die folgenden Blöcke müssen ausgeführt werden, bevor Sie den Block für Schlüsselwortextraktion mit Rangfolge ausführen können:
syntax_izumo_<language>_stocknoun-phrases_rbr_<language>_stock
Codebeispiel
import watson_nlp
from watson_nlp import data_model as dm
text = "Anna went to school at University of California Santa Cruz. \
Anna joined the university in 2015."
# Load Noun Phrases, Embedding and Keywords models for English
noun_phrases_model = watson_nlp.load('noun-phrases_rbr_en_stock')
use_model = watson_nlp.load('embedding_use_en_stock')
keywords_model = watson_nlp.load('keywords_embed-rank_multi_stock')
# Run the Noun Phrases model
noun_phrases = noun_phrases_model.run(text)
# Get document embeddings
# No need to run any Syntax model since the 'raw_text' embed style will be used for doc embedding
syntax_analysis = dm.SyntaxPrediction(text=text)
doc_embeddings = use_model.run(syntax_analysis, doc_embed_style='raw_text')
# Get embeddings for noun phrases
noun_phrases_analysis = [dm.SyntaxPrediction(text=c.span.text) for c in noun_phrases.noun_phrases]
noun_phrase_embeddings = use_model.run_batch(noun_phrases_analysis, doc_embed_style='raw_text')
# Run the keywords model
keywords = keywords_model.run(doc_embeddings, noun_phrases, noun_phrase_embeddings, limit=2, beta=0.5)
print(keywords)
Ausgabe des Codebeispiels:
{
"keywords": [
{
"text": "University of California Santa Cruz",
"relevance": 1.0,
"mentions": [
{
"begin": 23,
"end": 58,
"text": "University of California Santa Cruz"
}
],
"count": 1
},
{
"text": "Anna",
"relevance": 0.6883336359588481,
"mentions": [
{
"begin": 0,
"end": 4,
"text": "Anna"
},
{
"begin": 68,
"end": 72,
"text": "Anna"
}
],
"count": 2
}
],
"producer_id": {
"name": "Embed Rank Keywords",
"version": "0.0.2"
}
}
Übergeordnetes Thema: Watson Natural Language Processing-Taskkatalog