File size: 8,923 Bytes
946dc24 |
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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 |
# -*- coding: utf-8 -*-
import argparse
import torch
import torch.nn as nn
import numpy as np
from transformers import AutoTokenizer, AutoModelForTokenClassification
import re
import string
from typing import List, Optional
TOKEN_RE = re.compile(r'-?\d*\.\d+|[a-zа-яё]+|-?[\d\+\(\)\-]+|\S', re.I)
"""
Регулярка, для того чтобы выделять в отдельные токены знаки препинания, числа и слова. А именно:
- Числа с плавающей точкой вида 123.23 выделяются в один токен. Десятичным разделителем рассматривается только точка
- Число может быть отрицательным: иметь знак -123.4
- Целой части числа может вовсе не быть: последовательности -0.15 и −.15 означают одно и то же число.
- При этом числа с нулевой дробной частью не допускаются: строка "12345." будет разделена на два токена "12345" и "."
- Идущие подряд знаки препинания выделяются каждый в отдельный токен.
- Телефонные номера выделяются в один токен +7(999)164-20-69
- Множество букв в словах ограничивается только кириллическим и англ алфавитом (33 буквы и 26 cоотв).
"""
# Прогнозируемые знаки препинания
PUNK_MAPPING = {'.': 'PERIOD', ',': 'COMMA', '?': 'QUESTION'}
# Прогнозируемый регистр LOWER - нижний регистр, UPPER - верхний регистр для первого символа, UPPER_TOTAL - верхний регистр для всех символов
LABELS_CASE = ['LOWER', 'UPPER', 'UPPER_TOTAL']
# Добавим в пунктуацию метку O означающий отсутсвие пунктуации
LABELS_PUNC = ['O'] + list(PUNK_MAPPING.values())
# Сформируем метки на основе комбинаций регистра и пунктуации
LABELS_list = []
for case in LABELS_CASE:
for punc in LABELS_PUNC:
LABELS_list.append(f'{case}_{punc}')
LABELS = {label: i+1 for i, label in enumerate(LABELS_list)}
LABELS['O'] = -100
INVERSE_LABELS = {i: label for label, i in LABELS.items()}
LABEL_TO_PUNC_LABEL = {label: label.split('_')[-1] for label in LABELS.keys() if label != 'O'}
LABEL_TO_CASE_LABEL = {label: '_'.join(label.split('_')[:-1]) for label in LABELS.keys() if label != 'O'}
def token_to_label(token, label):
if type(label) == int:
label = INVERSE_LABELS[label]
if label == 'LOWER_O':
return token
if label == 'LOWER_PERIOD':
return token + '.'
if label == 'LOWER_COMMA':
return token + ','
if label == 'LOWER_QUESTION':
return token + '?'
if label == 'UPPER_O':
return token.capitalize()
if label == 'UPPER_PERIOD':
return token.capitalize() + '.'
if label == 'UPPER_COMMA':
return token.capitalize() + ','
if label == 'UPPER_QUESTION':
return token.capitalize() + '?'
if label == 'UPPER_TOTAL_O':
return token.upper()
if label == 'UPPER_TOTAL_PERIOD':
return token.upper() + '.'
if label == 'UPPER_TOTAL_COMMA':
return token.upper() + ','
if label == 'UPPER_TOTAL_QUESTION':
return token.upper() + '?'
if label == 'O':
return token
def decode_label(label, classes='all'):
if classes == 'punc':
return LABEL_TO_PUNC_LABEL[INVERSE_LABELS[label]]
if classes == 'case':
return LABEL_TO_CASE_LABEL[INVERSE_LABELS[label]]
else:
return INVERSE_LABELS[label]
def make_labeling(text: str):
# Разобъем предложение на слова и знаки препинания
tokens = TOKEN_RE.findall(text)
# Предобработаем слова, удалим знаки препинания и зададим метки
preprocessed_tokens = []
token_labels: List[List[str]] = []
# Убираем всю пунктуацию в начале предложения
while tokens[0] in string.punctuation:
tokens.pop(0)
for token in tokens:
if token in string.punctuation:
# Если встретился знак препинания который мы прогнозируем изменим метку предыдущего слова, иначе проигнорируем его
if token in PUNK_MAPPING:
token_labels[-1][1] = PUNK_MAPPING[token]
else:
# Если встретилось слово, то укажем метку регистра и добавим в список предобработанных слов в нижнем регистре
if sum(char.isupper() for char in token) > 1:
token_labels.append(['UPPER_TOTAL', 'O'])
elif token[0].isupper():
token_labels.append(['UPPER', 'O'])
else:
token_labels.append(['LOWER', 'O'])
preprocessed_tokens.append(token.lower())
token_labels_merged = ['_'.join(label) for label in token_labels]
token_labels_ids = [LABELS[label] for label in token_labels_merged]
return dict(words=preprocessed_tokens, labels=token_labels_merged, label_ids=token_labels_ids)
def align_labels(label_ids: list[int], word_ids: list[Optional[int]]):
aligned_label_ids = []
previous_id = None
for word_id in word_ids:
if word_id is None or word_id == previous_id:
aligned_label_ids.append(LABELS['O'])
else:
aligned_label_ids.append(label_ids.pop(0))
previous_id = word_id
return aligned_label_ids
MODEL_REPO = "kontur-ai/sbert-punc-case-ru"
class SbertPuncCase(nn.Module):
def __init__(self):
super().__init__()
self.tokenizer = AutoTokenizer.from_pretrained(MODEL_REPO,
revision="sbert",
use_auth_token=True,
strip_accents=False)
self.model = AutoModelForTokenClassification.from_pretrained(MODEL_REPO,
revision="sbert",
use_auth_token=True
)
self.model.eval()
def forward(self, input_ids, attention_mask):
return self.model(input_ids=input_ids,
attention_mask=attention_mask)
def punctuate(self, text):
text = text.strip().lower()
# preprocess
words_with_labels = make_labeling(text)
words = words_with_labels['words']
label_ids = words_with_labels['label_ids']
tokenizer_output = self.tokenizer(words, is_split_into_words=True)
aligned_label_ids = [align_labels(label_ids, tokenizer_output.word_ids())]
result = dict(tokenizer_output)
result.update({'labels': aligned_label_ids})
if len(result['input_ids']) > 512:
return ' '.join([self.punctuate(' '.join(text_part)) for text_part in np.array_split(words, 2)])
predictions = self(torch.tensor([result['input_ids']], device=self.model.device),
torch.tensor([result['attention_mask']], device=self.model.device)).logits.cpu().data.numpy()
predictions = np.argmax(predictions, axis=2)
# decode punctuation and casing
splitted_text = []
word_ids = tokenizer_output.word_ids()
for i, word in enumerate(words):
label_pos = word_ids.index(i)
label_id = predictions[0][label_pos]
label = decode_label(label_id)
splitted_text.append(token_to_label(word, label))
capitalized_text = ' '.join(splitted_text)
return capitalized_text
if __name__ == '__main__':
parser = argparse.ArgumentParser("Punctuation and case restoration model sbert-punc-case-ru")
parser.add_argument("-i", "--input", type=str, help="text to restore", default='SbertPuncCase расставляет точки запятые и знаки вопроса вам нравится')
parser.add_argument("-d", "--device", type=str, help="run model on cpu or gpu", choices=['cpu', 'cuda'], default='cpu')
args = parser.parse_args()
print(f"Source text: {args.input}\n")
sbertpunc = SbertPuncCase().to(args.device)
punctuated_text = sbertpunc.punctuate(args.input)
print(f"Restored text: {punctuated_text}") |