Knihovna Watson Natural Language Processing poskytuje funkce zpracování přirozeného jazyka pro syntaktickou analýzu a předpřipravené modely pro širokou škálu úloh zpracování textu, jako je analýza vyznění, extrakce klíčových slov a klasifikace. Knihovna Watson Natural Language Processing je k dispozici pouze pro Python .

Pomocí Watson Natural Language Processing můžete nestrukturovaná data přeměnit na strukturovaná data, což vám usnadní pochopení a přenos dat, zejména pokud pracujete s kombinací nestrukturovaných a strukturovaných dat. Příkladem takových dat jsou záznamy call center, stížnosti zákazníků, příspěvky na sociálních sítích nebo zprávy o problémech. Nestrukturovaná data jsou často součástí většího datového záznamu, který zahrnuje sloupce se strukturovanými daty. Extrahování významu a struktury z nestrukturovaných dat a kombinace těchto informací s daty ve sloupcích strukturovaných dat vám poskytne hlubší pochopení vstupních dat a pomůže vám lépe se rozhodovat.

Watson Natural Language Processing poskytuje předem vyškolené modely ve více než 20 jazycích. Jsou kurátorem specializovaného týmu odborníků a hodnotí kvalitu každého konkrétního jazyka. Tyto předem vyškolené modely mohou být použity v produkčních prostředích, aniž byste se museli starat o porušení licence nebo duševního vlastnictví.

Ačkoli si můžete vytvořit vlastní modely, nejjednodušším způsobem, jak začít s Watson Natural Language Processing, je spustit předem natrénované modely na nestrukturovaném textu k provedení úloh zpracování jazyka.

Zde je několik příkladů úloh zpracování jazyka, které jsou k dispozici v předem natrénovaných modelech Watson Natural Language Processing:

• Detekce jazyka: zjištění jazyka vstupního textu
• Syntaxe: tokenizace, lemmatizace, značkování slovních druhů a analýza závislostí
• Extrakce entit: najít zmínky o entitách (jako je osoba, organizace nebo datum)
• Extrakce podstatné jméno fráze: extrahovat podstatné jméno fráze ze vstupního textu
• Klasifikace textu: analyzovat text a poté přiřadit sadu předdefinovaných značek nebo kategorií na základě jeho obsahu
• Klasifikace sentimentu: je vstupní dokument pozitivní, negativní nebo neutrální?
• Tón klasifikace: klasifikovat tón ve vstupním dokumentu (jako vzrušený, frustrovaný, nebo smutný)
• Klasifikace emocí: klasifikujte emoce vstupního dokumentu (jako hněv nebo znechucení)
• extrakce klíčových slov: extrahovat podstatné jméno fráze, které jsou relevantní ve vstupním textu
• Koncepty: najít koncepty z DBPedia ve vstupním textu
• Vztahy: zjištění vztahů mezi dvěma entitami
• Hierarchické kategorie: Přiřazení jednotlivých uzlů v rámci hierarchické taxonomie ke vstupnímu dokumentu
• Zapouzdření: namapujte jednotlivá slova nebo větší úseky textu do vektorového prostoru

Watson Natural Language Processing zapouzdřuje funkčnost přirozeného jazyka prostřednictvím bloků a sledů prací. Bloky a sledy prací podporují funkce pro načítání, spouštění, trénování a ukládání modelu.

Další informace viz Práce s předem natrénovanými modely.

Zde je několik příkladů, jak můžete použít knihovnu Watson Natural Language Processing:

Spuštění syntaktické analýzy na úseku textu:

import watson_nlp

# Load the syntax model for English
syntax_model = watson_nlp.load('syntax_izumo_en_stock')

# Run the syntax model and print the result
syntax_prediction = syntax_model.run('Welcome to IBM!')
print(syntax_prediction)

Extrahování entit z úseku textu:

import watson_nlp
entities_workflow = watson_nlp.load('entity-mentions_transformer-workflow_multilingual_slate.153m.distilled')
entities = entities_workflow.run('IBM\'s CEO Arvind Krishna is based in the US', language_code="en")
print(entities.get_mention_pairs())

Příklady použití knihovny Watson Natural Language Processing naleznete v části Watson Ukázková použití knihovny zpracování přirozeného jazyka.