معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

AdaptKeyBERT extended keyphrase extraction with zero-shot and few-shot semi-supervised domain adaptation.

ویژگی	مقدار
سیستم عامل	-
نام فایل	adaptkeybert-0.0.2
نام	adaptkeybert
نسخه کتابخانه	0.0.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Aman Priyanshu
ایمیل نویسنده	amanpriyanshusms2001@gmail.com
آدرس صفحه اصلی	https://github.com/AmanPriyanshu/AdaptKeyBERT
آدرس اینترنتی	https://pypi.org/project/adaptkeybert/
مجوز	-

<img src="https://github.com/AmanPriyanshu/AdaptKeyBERT/blob/master/images/keybert_logo.png" width="35%" height="35%" align="right" /> # AdaptKeyBERT KeyBERT is a minimal and easy-to-use keyword extraction technique that leverages BERT embeddings to create keywords and keyphrases that are most similar to a document. AdaptKeyBERT expands the aforementioned library by integrating semi-supervised attention for creating a few-shot domain adaptation technique for keyphrase extraction. Also extended the work by allowing zero-shot word seeding, allowing better performance on topic relevant documents ## Basic Use: Take a look at `runner.py` ```py from adaptkeybert import KeyBERT doc = """ Supervised learning is the machine learning task of learning a function that maps an input to an output based on example input-output pairs. It infers a function from labeled training data consisting of a set of training examples. In supervised learning, each example is a pair consisting of an input object (typically a vector) and a desired output value (also called the supervisory signal). A supervised learning algorithm analyzes the training data and produces an inferred function, which can be used for mapping new examples. An optimal scenario will allow for the algorithm to correctly determine the class labels for unseen instances. This requires the learning algorithm to generalize from the training data to unseen situations in a 'reasonable' way (see inductive bias). But then what about supervision and unsupervision, what happens to unsupervised learning. """ kw_model = KeyBERT() keywords = kw_model.extract_keywords(doc, top_n=10) print(keywords) kw_model = KeyBERT(domain_adapt=True) kw_model.pre_train([doc], [['supervised', 'unsupervised']], lr=1e-3) keywords = kw_model.extract_keywords(doc, top_n=10) print(keywords) kw_model = KeyBERT(zero_adapt=True) kw_model.zeroshot_pre_train(['supervised', 'unsupervised'], adaptive_thr=0.15) keywords = kw_model.extract_keywords(doc, top_n=10) print(keywords) kw_model = KeyBERT(domain_adapt=True, zero_adapt=True) kw_model.pre_train([doc], [['supervised', 'unsupervised']], lr=1e-3) kw_model.zeroshot_pre_train(['supervised', 'unsupervised'], adaptive_thr=0.15) keywords = kw_model.extract_keywords(doc, top_n=10) print(keywords) ```

نیازمندی

مقدار	نام
>=0.3.8	sentence-transformers
>=0.22.2	scikit-learn
>=1.18.5	numpy
>=10.4.0	rich
>=1.1	mkdocs
>=4.6.3	mkdocs-material
>=0.8.0	mkdocstrings
>=5.4.3	pytest
>=2.6.1	pytest-cov
>=3.6.0	flake8
>=2.2.0	pre-commit
>=19.3b0	black
>=1.1	mkdocs
>=4.6.3	mkdocs-material
>=0.8.0	mkdocstrings
>=3.5.1	transformers
>=1.4.0	torch
>=0.7	flair
>=3.6.0	gensim
>=3.0.1	spacy
>=5.4.3	pytest
>=2.6.1	pytest-cov
>=3.6.0	flake8
>=2.2.0	pre-commit
>=19.3b0	black
-	tensorflow
-	tensorflow-hub
-	tensorflow-text

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl adaptkeybert-0.0.2:

pip install adaptkeybert-0.0.2.whl

نصب پکیج tar.gz adaptkeybert-0.0.2:

pip install adaptkeybert-0.0.2.tar.gz