VS
Интересно, спасибо :)
Если я правильно помню раса или spacy или scklearn модели использовала. Это всего лишь обертка
Size: a a a
2020 May 22
VS
Я поэтому еще 4года назад с ними ругался . Т.к они это скрывали и не давали метрик своих. Они пиарились что у них решение и скрывали что лишь обертка
VS
Они обиделись и не дали тестить 😀
YB
Vladimir Shebunyaev
Если я правильно помню раса или spacy или scklearn модели использовала. Это всего лишь обертка
rasa в основном использует spacy, хотя сейчас у них есть ещё своя BERT-like модель, называется DIET.
VS
rasa в основном использует spacy, хотя сейчас у них есть ещё своя BERT-like модель, называется DIET.
До этого сидели на svm в 2017 и достаточно криво его использовали,т.е те же данные лучше работали напрямую с scklearn чем через rasa
YB
Vladimir Shebunyaev
До этого сидели на svm в 2017 и достаточно криво его использовали,т.е те же данные лучше работали напрямую с scklearn чем через rasa
прикольно. но всё меняется.
NS
Vladimir Shebunyaev
Я поэтому еще 4года назад с ними ругался . Т.к они это скрывали и не давали метрик своих. Они пиарились что у них решение и скрывали что лишь обертка
у них же исходники все открыты, что там скрывать?
VS
у них же исходники все открыты, что там скрывать?
Да. Но тогда помню на страницах они это не писали и надо было лезть самому. А офицально они везде ставили слово Ai и клиенты велись и думали что там уже все сделано и достаточно программистов. А rasa не признавала что они лишь обертка. Не каждый клиент поймет что вот в git видно как они подключают сторонние либы
D(
rasa в основном использует spacy, хотя сейчас у них есть ещё своя BERT-like модель, называется DIET.
А в экосистеме spacy есть что-то именно для диалогового менеджера? Мне казалось, там только NLU
YB
А в экосистеме spacy есть что-то именно для диалогового менеджера? Мне казалось, там только NLU
нету, в rasa берут нейросетки, которые на spacy, и разные нашлёпки сверху ставят.
скажем, вот так:
language: "en"
pipeline:
- name: "SpacyNLP"
- name: "SpacyTokenizer"
- name: "SpacyFeaturizer"
- name: "RegexFeaturizer"
- name: "CRFEntityExtractor"
- name: "EntitySynonymMapper"
- name: "SklearnIntentClassifier"
скажем, вот так:
language: "en"
pipeline:
- name: "SpacyNLP"
- name: "SpacyTokenizer"
- name: "SpacyFeaturizer"
- name: "RegexFeaturizer"
- name: "CRFEntityExtractor"
- name: "EntitySynonymMapper"
- name: "SklearnIntentClassifier"
AK
Aleksey Aleksey
Здравствуйте. Ещё не особо разобрался как вытаскивать именованные сущности.
В новой версии natasha, я так понял нужно использовать MorphVocab, но если его использовать, то выбираются не только имена, но и остальные ненужные слова.
Как сделать, чтобы были только имена?
В новой версии natasha, я так понял нужно использовать MorphVocab, но если его использовать, то выбираются не только имена, но и остальные ненужные слова.
Как сделать, чтобы были только имена?
Перед запуском NamesExtractor нужно найти подстроки с именами. NamesExtractor выделяет части ФИО, а не ищет имя в тексте. Описание в https://github.com/natasha/natasha#usage https://nbviewer.jupyter.org/github/natasha/natasha/blob/master/docs.ipynb
2020 May 23
A
Всем привет! Я в pytorch создаю разные классы сетей и там определяю порядок и количество слоёв. Может быть уже есть готовая подборка от куда можно повыбирать архитектуры? Я имею ввиду подборку(сверточные, рекуррентные сети) в таком виде: где создаётся класс, наследованный от module и описываются слои и метод forward
NS
Всем привет! Я в pytorch создаю разные классы сетей и там определяю порядок и количество слоёв. Может быть уже есть готовая подборка от куда можно повыбирать архитектуры? Я имею ввиду подборку(сверточные, рекуррентные сети) в таком виде: где создаётся класс, наследованный от module и описываются слои и метод forward
A
Оказывается так просто что аж не ловко. Спасибо
2020 May 24
A
есть какой то готовый сss для dataframe pandas в html чтобы было как в jupiter notebook?
PP
Всем примет! А есть ли готовые решения по распознаванию команд. Для примера на вход подается текст:
Поставить будильник на 4 утра.
И можно написать контрукцию типа self.compare_command(free_text, "Включить будильник) -> bool
Поставить будильник на 4 утра.
И можно написать контрукцию типа self.compare_command(free_text, "Включить будильник) -> bool
KS
Всем примет! А есть ли готовые решения по распознаванию команд. Для примера на вход подается текст:
Поставить будильник на 4 утра.
И можно написать контрукцию типа self.compare_command(free_text, "Включить будильник) -> bool
Поставить будильник на 4 утра.
И можно написать контрукцию типа self.compare_command(free_text, "Включить будильник) -> bool
Вряд ли есть совсем готовое. Мне как-то доводилось такую задачу решать, и я делал оболочку, в которой пользователь описывал команды. Команда - это набор словосочетаний и описание возможных параметров. Типа "AWAKE: (поставь\установи\задай будильник\часы)(разбуди) ... параметр1: время". А движок искал в поступающем тексте описанные команды. И при нахождении возвращал формализации типа AWAKE,04:00 , которые исполнялись внешней системой.
PP
Вряд ли есть совсем готовое. Мне как-то доводилось такую задачу решать, и я делал оболочку, в которой пользователь описывал команды. Команда - это набор словосочетаний и описание возможных параметров. Типа "AWAKE: (поставь\установи\задай будильник\часы)(разбуди) ... параметр1: время". А движок искал в поступающем тексте описанные команды. И при нахождении возвращал формализации типа AWAKE,04:00 , которые исполнялись внешней системой.
Спасибо! А на чем был движке?
KS
Спасибо! А на чем был движке?
Я сам писал на базе Pullenti, который проводил предварительный анализ и выделял некоторые параметры.
PP
Спасибо!