-
Notifications
You must be signed in to change notification settings - Fork 0
/
key_bert.py
179 lines (144 loc) · 7.06 KB
/
key_bert.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
# -*- coding: utf-8 -*-
from re import S
import pandas as pd
import time
# 키워드 추출
from keybert import KeyBERT
from collections import Counter
# KR-WordRank
from krwordrank.word import KRWordRank
from krwordrank.hangle import normalize
# 문장 전처리
from konlpy.tag import Mecab
from pykospacing import Spacing
def lib_fn_remove_special(fileSource):
bufSource = fileSource
# ------------------------------------------------------------
# 개행문자/Tab문자 제거
# ------------------------------------------------------------
bufSource = bufSource.replace("\n", " ")
bufSource = bufSource.replace("\t", " ")
# ------------------------------------------------------------
# 특수문자 제거
# ------------------------------------------------------------
bufSource = bufSource.replace("\\", " ")
bufSource = bufSource.replace("\"", " ")
bufSource = bufSource.replace('"', '')
specialChars = "!#$%^&*()?~.,/-_○』『☎"
for specialChr in specialChars:
bufSource = bufSource.replace(specialChr, ' ')
bufSource = bufSource.strip()
bufSource = bufSource.replace(" ", " ")
# bufSource = bufSource.replace(" ", "")
return bufSource
def lib_fn_remove_digits(fileSource):
# ------------------------------------------------------------
# 정규 표현식으로 전화번호를 *로 치환
# ------------------------------------------------------------
#import re
#text = """\
#010-1234-5678 Kim
#011-1234-5678 Lee
#016-1234-5678 Han
#"""
## 정규 표현식 사용 치환
#text_mod = re.sub('^[0-9]{3}-[0-9]{4}-[0-9]{4}',"***-****-****",text)
#print (text_mod)
# ------------------------------------------------------------
# 숫자 제거 ( 개인정보:전화번호, 주민번호 )
# ------------------------------------------------------------
bufSource = ''.join([i for i in fileSource if not i.isdigit()])
return bufSource
if __name__ == '__main__':
USE_MECAB = 1
USE_KEYBERT = 1
USE_KRWR = 0
USE_Spacing = 0
keylen = 2
fileName = "reranking_10000_re.csv"
# keybert 사전 학습 모델
# ------------------------------------------------------------
# distiluse-base-multilingual-cased-v1 : 다국어 범용 문장 인코더 의 다국어 지식 증류 버전 . 15개 언어 지원: 아랍어, 중국어, 네덜란드어, 영어, 프랑스어, 독일어, 이탈리아어, 한국어, 폴란드어, 포르투갈어, 러시아어, 스페인어, 터키어.
# distiluse-base-multilingual-cased-v2 : 다국어 범용 문장 인코더 의 다국어 지식 증류 버전 . 이 버전은 50개 이상의 언어를 지원하지만 v1 모델보다 성능이 약간 떨어집니다.
# paraphrase-multilingual-MiniLM-L12-v2 - paraphrase-MiniLM-L12-v2 의 다국어 버전으로 , 50개 이상의 언어에 대한 병렬 데이터로 훈련되었습니다.
# paraphrase-multilingual-mpnet-base-v2 - paraphrase-mpnet-base-v2 의 다국어 버전으로 , 50개 이상의 언어에 대한 병렬 데이터로 훈련되었습니다.
# ------------------------------------------------------------
kw_model = KeyBERT(model='distiluse-base-multilingual-cased-v1')
# kw_model = KeyBERT(model='distiluse-base-multilingual-cased-v2')
# kw_model = KeyBERT(model='paraphrase-multilingual-MiniLM-L12-v2')
# kw_model = KeyBERT(model='paraphrase-multilingual-mpnet-base-v2')
csv_f = pd.read_csv(fileName, encoding='UTF-8')
csv_w = pd.DataFrame()
# print(len(csv_f.index))
# print(len(csv_f.columns))
temp = []
doc = str(csv_f['Column1'][0]) + ' ' + str(csv_f['Column2'][0])
doc = lib_fn_remove_digits(doc)
doc = lib_fn_remove_special(doc)
print(doc)
if USE_Spacing == 1:
spacing = Spacing()
doc = spacing(doc)
# print(doc)
if USE_MECAB == 1:
mecab = Mecab(dicpath=r"C:\mecab\mecab-ko-dic")
# objArrOkts = mecab.morphs9(텍스트) # 형태소
# objArrOkts = mecab.nouns(텍스트) # 명사만 추출
# # objArrOkts = mecab.morphs(doc) # 어절만 추출
objArrOkts = mecab.pos(doc)
L = 0
while(L < 2):
for i, (v, t) in enumerate(objArrOkts):
if len(v) < 2:
objArrOkts.pop(i)
L = len(v)
break
else:
L = len(v)
print(objArrOkts)
srcSpacing = ' '.join([i for (i, j) in objArrOkts if ('NN' in j or 'XR' in j or 'VA' in j or 'VV' in j)])
# srcSpacing = ' '.join([i for i in objArrOkts])
print(srcSpacing)
#print ('Mecab.001.objArrOkts : %s' %(bufSource))
# 한글자 명사는 제외 처리
for i, v in enumerate(objArrOkts):
if len(v) < 2:
objArrOkts.pop(i)
# 명사 빈도 순으로 추출
count = Counter(objArrOkts)
nounlist = count.most_common(20)
for v in nounlist:
print('Mecab.002.nouns : ', v)
if USE_KRWR == 1:
min_count = 5 # 단어의 최소 출현 빈도수 (그래프 생성 시)
max_length = 10 # 단어의 최대 길이
wordrank_extractor = KRWordRank(min_count=min_count, max_length=max_length)
beta = 0.85 # PageRank의 decaying factor beta
max_iter = 10
texts = [doc]
texts = [normalize(text, english=False, number=False) for text in texts]
keywords, rank, graph = wordrank_extractor.extract(texts, beta, max_iter)
for word, r in sorted(keywords.items(), key=lambda x:x[1], reverse=True)[:30]:
print('%8s:\t%.4f' % (word, r))
if USE_KEYBERT == 1:
# kw_model = KeyBERT()
# keyphrase_ngram_range=(1, 1) : 한 단어 기준
# print(srcSpacing)
# objArrKeywords = kw_model.extract_keywords(srcSpacing, keyphrase_ngram_range=(1, 3), top_n=20)
# objArrKeywords = kw_model.extract_keywords([doc, keyphrase_ngram_range=(1, 3), top_n=20)
objArrKeywords = kw_model.extract_keywords(srcSpacing, keyphrase_ngram_range=(1, 3), top_n=20)
# objArrKeywords = kw_model.extract_keywords(srcSpacing, keyphrase_ngram_range=(1, 3), use_mmr=True, diversity=0.5)
# objArrKeywords = kw_model.extract_keywords(srcSpacing, keyphrase_ngram_range=(1, 2)) # 2개 단어추출
# objArrKeywords = kw_model.extract_keywords(srcSpacing, keyphrase_ngram_range=(3, 3)) # 3개 단어추출
# objArrKeywords = kw_model.extract_keywords(srcSpacing) # top_n=5 : 5 개 추출 ( default )
# ------------------------------------------------------------
# KeyBERT Result
# ------------------------------------------------------------
# temp.append([srcSpacing])
print(objArrKeywords)
for (keyword, score) in enumerate(objArrKeywords):
print('KeyBert.003 : ', keyword, score)
# temp.append([keyword, score])
# temp.append([time.time() - start])
# csv_w['1'] = temp
# print(csv_w)