8 Ferramentas para Processamento de linguagem natural em C++

PLN é uma subárea da computação e inteligência artificial.


8 Ferramentas para Processamento de linguagem natural em C++

Processamento de linguagem natural(PLN) é uma subárea da ciência da computação, inteligência artificial e da linguística que estuda os problemas da geração e compreensão automática de línguas humanas naturais.

Nós dominamos o básico da linguagem falada e escrita, no entanto, a grande maioria de nós não avança além de algumas regras básicas de processamento quando aprendemos como lidar com texto em nossos aplicativos.

PNL(ou NPL em inglês) é a tecnologia para lidar com nosso produto abrangente: a linguagem humana, conforme aparece nas mídias sociais, e-mails, páginas da web, tweets, descrições de produtos, histórias de jornais e artigos científicos, em milhares de idiomas e variantes.

Nesse artigo vamos explorar 8 ferramentas de PNL baseadas em C++ .


1. MITIE: MIT Information Extraction

O MITIE apesar de escrito em C++, possui extensões para várias outras linguagens de programação, incluindo Python, R, Java, C e MATLAB, permitem que um usuário integre rapidamente o MITIE em seus próprios aplicativos.

Dentre suas características há:

  • Usa várias técnicas de última geração, incluindo o uso de embeddings de palavras distributivas e máquinas de vetor de suporte estrutural.
  • Vários modelos pré-treinados fornecendo níveis variados de suporte para inglês, espanhol e alemão usando uma variedade de recursos linguísticos.
  • Vem com uma ferramenta básica de Named Entity Recognition(NER) de streaming.

Endereço oficial: https://github.com/mit-nlp/MITIE


2. text2vec

text2vec é amigável à memória. Algumas partes (como GloVe) são totalmente paralelizadas usando o pacote RcppParallel.

text2vec é inspirado em gensim. O software é lançado sob uma licença de código aberto.

Características incluem:

  • Vetorização rápida de texto (criação de matrizes de termos de documentos) em n-gramas arbitrários, usando vocabulário ou hash de recursos.
  • GloVe palavra embeddings.
  • Modelagem de tópicos
  • API de streaming significa que os usuários não precisam carregar todos os dados na RAM.

Endereço oficial: http://text2vec.org/


3. Moses

Moses é um sistema de tradução automática que permite treinar automaticamente modelos de tradução para qualquer idioma. Esta é a abordagem dominante no campo no momento e é empregada pelos sistemas de tradução on-line implantados por empresas como Google e Microsoft.

Tudo que você precisa é uma coleção de textos traduzidos (corpus paralelo). Depois de ter um modelo treinado, um algoritmo de busca eficiente encontra rapidamente a tradução de maior probabilidade entre o número exponencial de escolhas.

Características incluem:

  • Dois tipos de modelos de tradução: baseado em frase e baseado em árvore.
  • Modelos de tradução fatorados, que permitem a integração linguística e outras informações no nível da palavra.
  • Decodificação de redes de confusão e redes de palavras, permitindo fácil integração com ferramentas upstream ambíguas, como reconhecedores automáticos de voz ou analisadores morfológicos.
  • Oferece suporte a modelos que se tornaram conhecidos como modelos hierárquicos baseados em frases e modelos baseados em sintaxe. Esses modelos usam uma gramática que consiste em regras SCFG (Synchronous Context-Free Grammar).
  • O Experiment Management System torna o uso de Moses muito mais fácil.
  • O decodificador é executado em Linux (32 e 64 bits), Windows, Cygwin, Mac OSX (Intel e PowerPC). Os scripts de treinamento e ajuste são executados regularmente no Linux (32 e 64 bits) e, ocasionalmente, no Mac (Intel).

Endereço oficial: https://www.statmt.org/moses/


4. TiMBL

O Tilburg Memory Based Learner, TiMBL, é uma ferramenta de código aberto para pesquisa de PNL e para muitos outros domínios onde as tarefas de classificação são aprendidas a partir de exemplos. É um componente central de vários sistemas de software de PNL como MBT(gerador de tagger baseado em memória), Frog(analisador morfo-sintático holandês), Valkuil.net (corretor ortográfico sensível ao contexto holandês) e SoothSayer (completamento de palavras holandês).

TiMBL é um produto do Grupo de Pesquisa ILK (Universidade de Tilburg, Holanda) e do Centro de Pesquisa CLiPS (Universidade de Antuérpia, Bélgica).

Características incluem:

  • Suporte a multi-CPU.
  • Implementação rápida baseada em árvore.
  • Implementações dos algoritmos IB1 e IB2, IGTree, TRIBL e TRIBL2.
  • Métricas de similaridade: Sobreposição, MVDM, Jeffrey Divergence, Produto interno, Coseno.
  • Métricas de similaridade por valor: Levenshtein, coeficiente de dados.
  • Métricas de ponderação de recursos: ganho de informação, razão de ganho, qui quadrado, variância compartilhada.
  • Métricas de ponderação de distância: inversa, linear inversa, decaimento exponencial.
  • Opções extensas de detalhamento para inspecionar os conjuntos de vizinhos mais próximos.
  • Funcionalidade de servidor e API abrangente.
  • Teste rápido de deixar um de fora e validação cruzada interna.
  • Lida com ponderação de exemplo definida pelo usuário.

Endereço oficial: https://languagemachines.github.io/timbl/


5. MeTA

MeTA é um kit de ferramentas de ciências de dados escrito com C++ moderno. É um conjunto de processamento de linguagem natural, classificação, recuperação de informações, mineração de dados e outras aplicações de processamento de texto.

A ênfase da MeTA concentra-se na estreita integração de recursos de pesquisa (na verdade, recursos de acesso a texto em geral) com funções de análise de texto, permitindo-lhe fornecer suporte completo para a construção de um poderoso aplicativo de análise de texto.

Características incluem:

  • Tokenização de texto, incluindo recursos semânticos profundos, como árvores de análise.
  • Índices invertidos e avançados com compressão e várias estratégias de cache.
  • Uma coleção de funções de classificação para pesquisar os índices.
  • Modelos de tópico.
  • Algoritmos de classificação.
  • Algoritmos de gráfico.
  • Modelos de linguagem.
  • Implementação de CRF (marcação POS, análise superficial).
  • Wrappers para liblinear e libsvm (incluindo analisadores de conjunto de dados libsvm).
  • Suporte UTF8 para análise em vários idiomas.
  • Algoritmos multithread.

Endereço oficial: https://meta-toolkit.org/


6. CRF++

CRF++ é uma implementação simples, personalizável e de código aberto de Campos Aleatórios Condicionais (CRFs) para segmentar/rotular dados sequenciais.

Características incluem:

  • Projetado como uma ferramenta de uso geral.
  • Pode redefinir conjuntos de recursos.
  • Escrito em C++ com STL.
  • Treinamento rápido baseado em LBFGS, um algoritmo “quase newton” para problemas de otimização numérica em larga escala.
  • Menos uso de memória em treinamento e teste.
  • Codificação/decodificação em tempo prático.
  • Usa exatamente o mesmo formato de dados que YamCha, um chunker de texto genérico, personalizável e de código aberto orientado para muitas tarefas de PNL, como marcação de POS, reconhecimento de entidade nomeada, base NP chunking e Text Chunking. O YamCha está usando um algoritmo de aprendizado de máquina de última geração chamado Support Vector Machines (SVMs), apresentado pela primeira vez por Vapnik em 1995.

CRF++ é escrito em Shell e C++.

Endereço oficial: https://taku910.github.io/crfpp/


7. BLLIP Parser

BLLIP é um analisador constituinte generativo (primeiro estágio) e um reranker discriminativo de entropia máxima (segundo estágio). Ele também é conhecido como Charniak-Johnson ou Brown reranking parser.

Dependendo do texto que você gostaria de analisar, existem diferentes modelos de análise ideais. Aqui estão as recomendações atuais:

  • Texto da notícia: WSJ + Gigaword-v2.
  • Texto da Web: SANCL2012-Uniform.
  • Texto biomédico (PubMed): GENIA + PubMed.

Endereço oficial: https://github.com/BLLIP/bllip-parser


8. Colibri Core

Colibri Core é um software para contar e extrair padrões de dados de grandes corpus de forma rápida e eficiente, para extrair várias estatísticas sobre os padrões extraídos e para calcular as relações entre os padrões extraídos.

A noção empregada de padrão ou construção abrange as seguintes categorias:

  • n-gram - n palavras consecutivas.
  • skipgram - Um padrão abstrato de comprimento predeterminado com uma ou várias lacunas (de tamanho específico).
  • flexgram - Um padrão abstrato com uma ou mais lacunas de tamanho variável.

O Colibri Core roda em sistemas operacionais modernos compatíveis com POSIX, incluindo Linux, FreeBSD e macOS.

Endereço oficial: https://proycon.github.io/colibri-core/


Para mais informações de como funciona o PNL sugiro esse link .

Deseja aprender C++ e criar seus programas Gráficos e para Terminal com portabilidade para Linux e Windows?

Então se inscreva nos nossos Cursos de C++ Moderno . Você aprender criar:

Acesse o endereço:

https://terminalroot.com.br/cpp/ e saiba mais!


cpp artificialinteligence machinelearning


Compartilhe


Nosso canal no Youtube

Inscreva-se


Marcos Oliveira

Marcos Oliveira

Desenvolvedor de software
https://github.com/terroo


Crie Aplicativos Gráficos para Linux e Windows com C++

Aprenda C++ Moderno e crie Games, Programas CLI, GUI e TUI de forma fácil.

Saiba Mais

Receba as novidades no seu e-mail!

Após cadastro e confirmação do e-mail, enviaremos semanalmente resumos e também sempre que houver novidades por aqui para que você mantenha-se atualizado!