| import os | |
| import gradio as gr | |
| import subprocess | |
| import sys | |
| def install(package): | |
| subprocess.check_call([sys.executable, "-m", "pip", "install", package]) | |
| install("numpy") | |
| install("torch") | |
| install("transformers") | |
| install("unidecode") | |
| import numpy as np | |
| import torch | |
| from transformers import AutoTokenizer | |
| from transformers import AutoModelForTokenClassification | |
| from collections import Counter | |
| from unidecode import unidecode | |
| import string | |
| import re | |
| tokenizer = AutoTokenizer.from_pretrained("osiria/minilm-l6-h384-italian-cased-ner") | |
| model = AutoModelForTokenClassification.from_pretrained("osiria/minilm-l6-h384-italian-cased-ner", num_labels = 5) | |
| device = torch.device("cpu") | |
| model = model.to(device) | |
| model.eval() | |
| from transformers import pipeline | |
| ner = pipeline('ner', model=model, tokenizer=tokenizer, device=-1) | |
| header = '''-------------------------------------------------------------------------------------------------- | |
| <style> | |
| .vertical-text { | |
| writing-mode: vertical-lr; | |
| text-orientation: upright; | |
| background-color:red; | |
| } | |
| </style> | |
| <center> | |
| <body> | |
| <span class="vertical-text" style="background-color:lightgreen;border-radius: 3px;padding: 3px;"> </span> | |
| <span class="vertical-text" style="background-color:orange;border-radius: 3px;padding: 3px;"> D</span> | |
| <span class="vertical-text" style="background-color:lightblue;border-radius: 3px;padding: 3px;"> E</span> | |
| <span class="vertical-text" style="background-color:tomato;border-radius: 3px;padding: 3px;"> M</span> | |
| <span class="vertical-text" style="background-color:lightgrey;border-radius: 3px;padding: 3px;"> O</span> | |
| <span class="vertical-text" style="background-color:#CF9FFF;border-radius: 3px;padding: 3px;"> </span> | |
| </body> | |
| </center> | |
| <br> | |
| ''' | |
| maps = {"O": "NONE", "PER": "PER", "LOC": "LOC", "ORG": "ORG", "MISC": "MISC", "DATE": "DATE"} | |
| reg_month = "(?:gennaio|febbraio|marzo|aprile|maggio|giugno|luglio|agosto|settembre|ottobre|novembre|dicembre|january|february|march|april|may|june|july|august|september|october|november|december)" | |
| reg_date = "(?:\d{1,2}\°{0,1}|primo|\d{1,2}\º{0,1})" + " " + reg_month + " " + "\d{4}|" | |
| reg_date = reg_date + reg_month + " " + "\d{4}|" | |
| reg_date = reg_date + "\d{1,2}" + " " + reg_month | |
| reg_date = reg_date + "\d{1,2}" + "(?:\/|\.)\d{1,2}(?:\/|\.)" + "\d{4}|" | |
| reg_date = reg_date + "(?<=dal )\d{4}|(?<=al )\d{4}|(?<=nel )\d{4}|(?<=anno )\d{4}|(?<=del )\d{4}|" | |
| reg_date = reg_date + "\d{1,5} a\.c\.|\d{1,5} d\.c\." | |
| map_punct = {"’": "'", "«": '"', "»": '"', "”": '"', "“": '"', "–": "-", "$": ""} | |
| preps = "^di |^del |^dello |^della |^dei |^degli |^delle |^a |^al |^allo |^alla |^ai |^agli |^alle |^da |^dal |^dallo |^dalla |^dai |^dagli |^dalle |^in |^nel |^nello |^nella |^nei |^negli |^nelle |^con |^col |^coi |^su |^sul |^sullo |^sulla |^sui |^sugli |^sulle |^per " | |
| unk_tok = 9005 | |
| merge_th_1 = 0.8 | |
| merge_th_2 = 0.4 | |
| min_th = 0.5 | |
| def extract(text): | |
| text = text.strip() | |
| for mp in map_punct: | |
| text = text.replace(mp, map_punct[mp]) | |
| text = re.sub("\[\d+\]", "", text) | |
| for p in string.punctuation: | |
| text = text.replace(p, " " + p + " ") | |
| warn_flag = False | |
| res_total = [] | |
| out_text = "" | |
| for p_text in text.split("\n"): | |
| if p_text: | |
| toks = tokenizer.encode(p_text) | |
| if unk_tok in toks: | |
| warn_flag = True | |
| res_orig = ner(p_text, aggregation_strategy = "first") | |
| res_orig = [el for r, el in enumerate(res_orig) if len(el["word"].strip()) > 1] | |
| res = [] | |
| for r, ent in enumerate(res_orig): | |
| if len(res) > 0 and res[-1]["entity_group"] != "PER" and ent["score"] < merge_th_1 and ent["start"] <= res[-1]["end"] + 1 and ent["score"] <= res[-1]["score"]: | |
| res[-1]["word"] = res[-1]["word"] + " " + ent["word"] | |
| res[-1]["score"] = merge_th_1*(res[-1]["score"] > merge_th_2) | |
| res[-1]["end"] = ent["end"] | |
| elif r < len(res_orig) - 1 and res_orig[r+1]["entity_group"] != "PER" and ent["score"] < merge_th_1 and res_orig[r+1]["start"] <= ent["end"] + 1 and res_orig[r+1]["score"] > ent["score"]: | |
| res_orig[r+1]["word"] = ent["word"] + " " + res_orig[r+1]["word"] | |
| res_orig[r+1]["score"] = merge_th_1*(res_orig[r+1]["score"] > merge_th_2) | |
| res_orig[r+1]["start"] = ent["start"] | |
| else: | |
| res.append(ent) | |
| if len(res) > 1 and res[-1]["entity_group"] == res[-2]["entity_group"] and res[-1]["start"] <= res[-2]["end"] + 1: | |
| res[-2]["word"] = res[-2]["word"] + " " + res[-1]["word"] | |
| res[-2]["score"] = 0.5*(res[-1]["score"] + res[-2]["score"]) | |
| res[-2]["end"] = res[-1]["end"] | |
| res = [el for r, el in enumerate(res) if el["score"] >= min_th] | |
| for r, ent in enumerate(res): | |
| if ent["entity_group"] != "PER": | |
| res[r]["word"] = p_text[ent["start"]:ent["end"]] | |
| len_start = len(res[r]["word"]) | |
| res[r]["word"] = re.sub(preps, "", res[r]["word"]) | |
| len_end = len(res[r]["word"]) | |
| off = len_start - len_end | |
| if off: | |
| res[r]["start"] = res[r]["start"] + off | |
| dates = [{"entity_group": "DATE", "score": 1.0, "word": p_text[el.span()[0]:el.span()[1]], "start": el.span()[0], "end": el.span()[1]} for el in re.finditer(reg_date, p_text, flags = re.IGNORECASE)] | |
| res.extend(dates) | |
| res = sorted(res, key = lambda t: t["start"]) | |
| res_total.extend(res) | |
| chunks = [("", "", 0, "NONE")] | |
| for el in res: | |
| if maps[el["entity_group"]] != "NONE": | |
| tag = maps[el["entity_group"]] | |
| chunks.append((p_text[el["start"]: el["end"]], p_text[chunks[-1][2]:el["end"]], el["end"], tag)) | |
| if chunks[-1][2] < len(p_text): | |
| chunks.append(("END", p_text[chunks[-1][2]:], -1, "NONE")) | |
| chunks = chunks[1:] | |
| n_text = [] | |
| for i, chunk in enumerate(chunks): | |
| rep = chunk[0] | |
| if chunk[3] == "PER": | |
| rep = '<span style="background-color:lightgreen;border-radius: 3px;padding: 3px;"><b>ᴘᴇʀ</b> ' + chunk[0] + '</span>' | |
| elif chunk[3] == "LOC": | |
| rep = '<span style="background-color:orange;border-radius: 3px;padding: 3px;"><b>ʟᴏᴄ</b> ' + chunk[0] + '</span>' | |
| elif chunk[3] == "ORG": | |
| rep = '<span style="background-color:lightblue;border-radius: 3px;padding: 3px;"><b>ᴏʀɢ</b> ' + chunk[0] + '</span>' | |
| elif chunk[3] == "MISC": | |
| rep = '<span style="background-color:tomato;border-radius: 3px;padding: 3px;"><b>ᴍɪsᴄ</b> ' + chunk[0] + '</span>' | |
| elif chunk[3] == "DATE": | |
| rep = '<span style="background-color:lightgrey;border-radius: 3px;padding: 3px;"><b>ᴅᴀᴛᴇ</b> ' + chunk[0] + '</span>' | |
| n_text.append(chunk[1].replace(chunk[0], rep)) | |
| n_text = "".join(n_text) | |
| if out_text: | |
| out_text = out_text + "<br>" + n_text | |
| else: | |
| out_text = n_text | |
| out_text = out_text.replace(" ,", ",").replace(" .", ".").replace(" :", ":").replace(" ;", ";").replace(" ' ", "'").replace("( ", "(").replace(" )", ")").replace(" !", "!").replace(" ?", "?") | |
| tags = [el["word"] for el in res_total if el["entity_group"] not in ['DATE', None]] | |
| cnt = Counter(tags) | |
| tags = sorted(list(set([el for el in tags if cnt[el] > 1])), key = lambda t: cnt[t]*np.exp(-tags.index(t)))[::-1] | |
| tags = [" ".join(re.sub("[^A-Za-z0-9\s]", "", unidecode(tag)).split()) for tag in tags] | |
| tags = ['<span style="background-color:#CF9FFF;border-radius: 3px;padding: 3px;"><b>ᴛᴀɢ </b> ' + el + '</span>' for el in tags] | |
| tags = " ".join(tags) | |
| if tags: | |
| out_text = out_text + "<br><br><b>Tags:</b> " + tags | |
| if warn_flag: | |
| out_text = out_text + "<br><br><b>Warning ⚠️:</b> Unknown tokens detected in text. The model might behave erratically" | |
| return out_text | |
| init_text = '''L'Agenzia spaziale europea, nota internazionalmente con l'acronimo ESA dalla denominazione inglese European Space Agency, è un'agenzia internazionale fondata nel 1975 incaricata di coordinare i progetti spaziali di 22 Paesi europei. Il suo quartier generale si trova a Parigi in Francia, con uffici a Mosca, Bruxelles, Washington e Houston. Il personale dell'ESA del 2016 ammontava a 2 200 persone (esclusi sub-appaltatori e le agenzie nazionali) e il budget del 2022 è di 7,15 miliardi di euro. Attualmente il direttore generale dell'agenzia è l'austriaco Josef Aschbacher, il quale ha sostituito il tedesco Johann-Dietrich Wörner il primo marzo 2021. | |
| Lo spazioporto dell'ESA è il Centre Spatial Guyanais a Kourou, nella Guyana francese, un sito scelto, come tutte le basi di lancio, per via della sua vicinanza con l'equatore. Durante gli ultimi anni il lanciatore Ariane 5 ha consentito all'ESA di raggiungere una posizione di primo piano nei lanci commerciali e l'ESA è il principale concorrente della NASA nell'esplorazione spaziale. | |
| Le missioni scientifiche dell'ESA hanno le loro basi al Centro europeo per la ricerca e la tecnologia spaziale (ESTEC) di Noordwijk, nei Paesi Bassi. Il Centro europeo per le operazioni spaziali (ESOC), di Darmstadt in Germania, è responsabile del controllo dei satelliti ESA in orbita. Le responsabilità del Centro europeo per l'osservazione della Terra (ESRIN) di Frascati, in Italia, includono la raccolta, l'archiviazione e la distribuzione di dati satellitari ai partner dell'ESA; oltre a ciò, la struttura agisce come centro di informazione tecnologica per l'intera agenzia. [...] | |
| L'Agenzia Spaziale Italiana (ASI) venne fondata nel 1988 per promuovere, coordinare e condurre le attività spaziali in Italia. Opera in collaborazione con il Ministero dell'università e della ricerca scientifica e coopera in numerosi progetti con entità attive nella ricerca scientifica e nelle attività commerciali legate allo spazio. Internazionalmente l'ASI fornisce la delegazione italiana per l'Agenzia Spaziale Europea e le sue sussidiarie.''' | |
| init_output = extract(init_text) | |
| with gr.Blocks(css="footer {visibility: hidden}", theme=gr.themes.Default(text_size="lg", spacing_size="lg")) as interface: | |
| with gr.Row(): | |
| gr.Markdown(header) | |
| with gr.Row(): | |
| text = gr.Text(label="Extract entities", lines = 10, value = init_text) | |
| with gr.Row(): | |
| with gr.Column(): | |
| button = gr.Button("Extract").style(full_width=False) | |
| with gr.Row(): | |
| with gr.Column(): | |
| entities = gr.Markdown(init_output) | |
| with gr.Row(): | |
| with gr.Column(): | |
| gr.Markdown("<center>The input examples in this demo are extracted from https://it.wikipedia.org</center>") | |
| button.click(extract, inputs=[text], outputs = [entities]) | |
| interface.launch() |