BosonNLP API 中文语义分析（笔记）【boson已经停止提供服务了，可使用 百度AI 的 NLP 功能】 |
您所在的位置：网站首页 › 情感词典是什么意思 › BosonNLP API 中文语义分析（笔记）【boson已经停止提供服务了，可使用 百度AI 的 NLP 功能】 |
BosonNLP API 中文语义分析（笔记）【boson已经停止提供服务了，可使用 百度AI 的 NLP 功能】
|
文章目录
BosonNLP API 中文语义分析查询 API 频率限制情感分析分词与词性标注关键词提取语义联想新闻分类新闻摘要时间转换其他单文本分析多文本分析功能
BosonNLP API 中文语义分析
参见 python版 BosonNLP HTTP API 封装库（SDK）：http://bosonnlp-py.readthedocs.io/#bosonnlp BosonNLP 官网：http://bosonnlp.com/BosonNLP HTTP API 文档： http://docs.bosonnlp.com/index.html from __future__ import print_function, unicode_literals from bosonnlp import BosonNLP import requests, json token = 'your Token' # 个人token！！！ nlp = BosonNLP(token) # nlp = BosonNLP('YOUR_API_TOKEN') 查询 API 频率限制免费用户的 API 每天有次数限制的，具体如下图： 当然，通过购买，可以增加次数，费用情况如下： 我觉得，面对这么完善的中文文本分析功能，免费用户却拥有全部的功能，即便每天有次数限制，已然值得称赞~~~ # 本接口用来查询用户使用 BosonNLP API 频率限制的详细信息。 HEADERS = {'X-Token': token} # 注意：在测试时请更换为您的 API token RATE_LIMIT_URL = 'http://api.bosonnlp.com/application/rate_limit_status.json' result = requests.get(RATE_LIMIT_URL, headers=HEADERS).json() result['limits'].keys() # (['review', 'keywords', 'tag', 'classify', 'depparser', 'time', 'summary', 'ner', 'cluster', 'comments', 'suggest', 'sentiment'])dict_keys([‘review’, ‘keywords’, ‘tag’, ‘classify’, ‘depparser’, ‘time’, ‘summary’, ‘ner’, ‘cluster’, ‘comments’, ‘suggest’, ‘sentiment’]) 例：查询情感分析剩余次数 result['limits']['sentiment'].keys() # (['rate-limit-limit', 'rate-limit-remaining', 'rate-limit-reset', 'quota-limit', 'count-limit-reset', 'count-limit-limit', 'quota-remaining', 'count-limit-remaining']) result['limits']['sentiment']['count-limit-remaining'] # 查询情感分析次数写成函数的形式： def sentiment_limit_remaining(): result = requests.get(RATE_LIMIT_URL, headers=HEADERS).json() return result['limits']['sentiment']['count-limit-remaining'] 情感分析核心函数：nlp.sentiment(data, model = 'general') 参见：http://docs.bosonnlp.com/sentiment.html model 参数用来传递模型名选择用特定行业语料进行训练的模型；可选值，默认为 general 。 模型名行业URLgeneral通用http://api.bosonnlp.com/sentiment/analysisauto汽车http://api.bosonnlp.com/sentiment/analysis?autokitchen厨具http://api.bosonnlp.com/sentiment/analysis?kitchenfood餐饮http://api.bosonnlp.com/sentiment/analysis?foodnews新闻http://api.bosonnlp.com/sentiment/analysis?newsweibo微博http://api.bosonnlp.com/sentiment/analysis?weibo返回结果说明： 第一个值为非负面概率，第二个值为负面概率，两个值相加和为 1。 nlp.sentiment(['这家味道还不错', '菜品太少了而且还不新鲜'], model='weibo')[[0.9694666780709835, 0.03053332192901642], [0.07346999807197441, 0.9265300019280256]] nlp.sentiment(['这家味道还不错', '菜品太少了而且还不新鲜'], model='food')[[0.9991737012037423, 0.0008262987962577828], [9.940036427291687e-08, 0.9999999005996357]] 或者使用 HTTP Header 返回 SENTIMENT_URL = 'http://api.bosonnlp.com/sentiment/analysis?weibo' # 微博分析api headers = {'X-Token': token} # 注意：在测试时请更换为您的 API token 。 s = [' 他是个傻逼 ', ' 美好的世界 '] data = json.dumps(s) # 包装成 jsonHTTP 返回 Body JSON 格式的 [double, double] 类型组成的列表。 resp = requests.post(SENTIMENT_URL, headers=headers, data=data.encode('utf-8')) # 上传 data 进行分析 resp.text # 显示情感分数‘[[0.4434637245024887, 0.5565362754975113], [0.9340287284701145, 0.06597127152988551]]’ 分词与词性标注核心函数：nlp.tag(contents, space_mode=0, oov_level=3, t2s=0, special_char_conv=0) 函数参数参见：http://docs.bosonnlp.com/tag.html 词性标注说明参见：http://docs.bosonnlp.com/tag_rule.html BosonNLP 的词性标注非常详细，共有 22个大类，70个标签！！ 而且 BosonNLP 分词和词性标注系统还提供了多种分词选项，以满足不同开发者的需求： 空格保留选项 (space_mode)新词枚举强度选项 (oov_level)繁简转换选项 (t2s)特殊字符转换选项 (special_char_conv) result = nlp.tag(['成都商报记者 姚永忠', '调用参数及返回值详细说明见']) print(result)[{‘tag’: [‘ns’, ‘n’, ‘n’, ‘nr’], ‘word’: [‘成都’, ‘商报’, ‘记者’, ‘姚永忠’]}, {‘tag’: [‘v’, ‘n’, ‘c’, ‘v’, ‘n’, ‘ad’, ‘v’, ‘v’], ‘word’: [‘调用’, ‘参数’, ‘及’, ‘返回’, ‘值’, ‘详细’, ‘说明’, ‘见’]}] 关键词提取核心函数：nlp.extract_keywords(text, top_k=None, segmented=False) 参见：http://docs.bosonnlp.com/keywords.html keywords = nlp.extract_keywords('病毒式媒体网站：让新闻迅速蔓延', top_k=2) print(keywords) # 返回权重和关键词，所有关键词的权重的平方和为 1[[0.5686631749811326, ‘蔓延’], [0.5671956747680966, ‘病毒’]] 语义联想核心函数：nlp.suggest(data) 参见：http://docs.bosonnlp.com/suggest.html term = '粉丝' result = nlp.suggest(term, top_k=10) for score, word in result: print(score, word)0.9999999999999996 粉丝/n 0.48602467961311013 脑残粉/n 0.47638025976400944 听众/n 0.4574711603743689 球迷/n 0.4427939662212161 观众/n 0.43996388413040877 喷子/n 0.43706751168681585 乐迷/n 0.43651710096540336 鳗鱼/n 0.4357353461210975 水军/n 0.4332090811336725 好友/n 新闻分类核心函数：nlp.classify(data) 参见：http://docs.bosonnlp.com/classify.html 编号分类编号分类0体育7科技1教育8互联网2财经9房产3社会10国际4娱乐11女人5军事12汽车6国内13游戏 s = ['俄否决安理会谴责叙军战机空袭阿勒颇平民', '邓紫棋谈男友林宥嘉：我觉得我比他唱得好', 'Facebook收购印度初创公司'] result = nlp.classify(s) result[5, 4, 8] 新闻摘要核心函数：summary(title, content, word_limit=0.3, not_exceed=False) 参见：http://docs.bosonnlp.com/summary.html content = ( '腾讯科技讯（刘亚澜）10月22日消息，前优酷土豆技术副总裁' '黄冬已于日前正式加盟芒果TV，出任CTO一职。' '资料显示，黄冬历任土豆网技术副总裁、优酷土豆集团产品' '技术副总裁等职务，曾主持设计、运营过优酷土豆多个' '大型高容量产品和系统。' '此番加入芒果TV或与芒果TV计划自主研发智能硬件OS有关。') title = '前优酷土豆技术副总裁黄冬加盟芒果TV任CTO' nlp.summary(title, content, 0.1)‘腾讯科技讯（刘亚澜）10月22日消息，前优酷土豆技术副总裁黄冬已于日前正式加盟芒果TV，出任CTO一职。’ 时间转换核心函数：nlp.convert_time(data, basetime=None) 参见：http://docs.bosonnlp.com/time.html 感觉这是一个独(ling)特(lei)的文本分析功能，用在时间文本上面，应该是个不错的选择。 import datetime # 使用 basetime 时导入该模块 nlp.convert_time( "2013年二月二十八日下午四点三十分二十九秒", datetime.datetime.today()) # datetime.datetime(2017, 10, 19, 22, 21, 18, 434128){‘timestamp’: ‘2013-02-28 16:30:29’, ‘type’: ‘timestamp’} nlp.convert_time("今天晚上8点到明天下午3点", datetime.datetime(2015, 9, 1)){‘timespan’: [‘2015-09-01 20:00:00’, ‘2015-09-02 15:00:00’], ‘type’: ‘timespan_0’} nlp.convert_time("今天晚上8点到明天下午3点", datetime.datetime.today()) #{‘timespan’: [‘2017-10-21 20:00:00’, ‘2017-10-22 15:00:00’], ‘type’: ‘timespan_0’} 其他单文本分析依存文法分析：http://docs.bosonnlp.com/depparser.html 命名实体识别：http://docs.bosonnlp.com/ner.html 多文本分析功能文本聚类：http://docs.bosonnlp.com/cluster.html 典型意见：http://docs.bosonnlp.com/comments.html |
【本文地址】
今日新闻 |
推荐新闻 |