Привет. С 5kb текстом проблем быть не должно.
Если документ больше - можно разбить по абзацам (или по предложениям) и запустить по парсеру на ядро процессора.

Добрый день. Скажи, есть ли какие-то задачи, которые можно помочь решить? У меня появилось свободное время. Хотелось бы принять участие в разработке.

Там буквально пара строк про томиту, наташу и пуллэнти. 😊

И как, Наташа рулит? )

Я использовал Томиту, потому что уже были кое-какие наброски грамматик. Были другие важные задачи, поэтому не стал разбираться с Наташей)

определение негативного или позитивного контекста у произвольного текста это стандартная задача?

много кто таким занимается

@dveselov так что, можно принять участие?

Привет! Спасибо за проявленный интерес, но прямо сейчас нет того, с чем можно помочь :) Сейчас @alexkuk делает новые внутренности для парсера - поэтому у нас немного встал процесс (но это ненадолго)

Есть ещё https://github.com/bureaucratic-labs/models , мне кажется, там есть несколько приятных небольших задач

Что за задачи?

Продублирую то, что писал @dveselov . Это вещи которые мне самому было бы интересно сделать. https://github.com/bureaucratic-labs/models библиотека для сегментации русского текста на предложения и слова. Эта задача часто встречается. Люди про неё спрашивают. Нормального инструмента для русского мне не известно, поэтому инициатива по-моему полезная. Вот что, мне кажется, было бы полезно сделать
1. Написано, что качество >98%. Было бы интересно знать какое качество у супер-простых подходов: разбить по пробелу, по точке. Какое качество у чего-нибудь посложнее: у регулярок как в yargy.tokenizer у правил типа http://ideone.com/pNpffv
2. Нужен простой интерфейс. Можно как у yargy.tokenizer
3. Интересно посмотреть на ошибки. И на случаи где простые методы ошибаются, а CRF нет
4. Интересно посмотреть на замеры скорости. И сравнить с супер простыми методами

Привет.

Если не нужно искать по правилам типа <должность> такой-то такой, можно просто их отключить. Вот пример такого правила: https://github.com/bureaucratic-labs/natasha/blob/master/natasha/grammars/person/grammars.py#L406

т.е. сделать свой класс, в котором переопределить грамматики, примерно так: https://gist.github.com/dveselov/d1dff4d4d4d4611ec57d40d7491e2f2d

И в парсер передавать его, а не natasha.grammars.Person.

Примерно так, если я правильно понял вопрос.

А, для этого есть такая штука: https://github.com/bureaucratic-labs/natasha/blob/master/natasha/grammars/pipelines.py#L181

Её тоже можно переопределить и передавать вместо оригинала.

Друзья, в ближайшие пару месяцев мы будем менять интерфейс парсера. Посмотреть как будут выглядеть правила можно здесь: https://alexanderkuk.github.io/yargy/index.html
Если вы пишите свои правила, на базе yargy, будьте готовы к изменениям :)