譯者 | 布加迪

審校 | 重樓

開發(fā)人員和數(shù)據(jù)科學家使用生成式AI和大語言模型（LLM）來查詢大量文檔和非結(jié)構(gòu)化數(shù)據(jù)。開源LLM包括Dolly 2.0、EleutherAI Pythia、Meta AI LLaMa和StabilityLM等，它們都是嘗試人工智能的起點，可以接受自然語言提示，生成總結(jié)式響應(yīng)。

Fluree首席執(zhí)行官兼聯(lián)合創(chuàng)始人Brian Platz說：“作為知識和信息的基本來源，文本很重要，但目前還沒有任何端到端解決方案可以駕馭處理文本的復(fù)雜性。雖然大多數(shù)組織處理結(jié)構(gòu)化或半結(jié)構(gòu)化數(shù)據(jù)、放到集中式數(shù)據(jù)平臺上，但非結(jié)構(gòu)化數(shù)據(jù)仍然被遺忘，未充分利用起來。”

如果貴組織和團隊沒有試用自然語言處理（NLP）功能，可能落后于所在行業(yè)的競爭對手。2023年專家NLP調(diào)查報告發(fā)現(xiàn)，77%的組織表示計劃增加NLP方面的支出，54%的組織聲稱部署到生產(chǎn)環(huán)境的時間是衡量成功NLP項目的投資回報率的首要指標。

NLP的用例

如果您有大量非結(jié)構(gòu)化數(shù)據(jù)和文本，那么一些最常見的業(yè)務(wù)需求包括如下：

• 通過識別名稱、日期、地點和產(chǎn)品，提取實體；
• 模式識別，以發(fā)現(xiàn)貨幣及其他數(shù)量；
• 對業(yè)務(wù)術(shù)語、主題和分類分門別類；
• 情緒分析，包括積極的、負面的和諷刺的情緒；
• 總結(jié)文件要點；
• 機器語言翻譯成其他語言；
• 將文本轉(zhuǎn)換成機器可讀的半結(jié)構(gòu)化表示的依賴關(guān)系圖。

有時候，將NLP功能捆綁到平臺或應(yīng)用程序中是可取的。比如說，LLM支持提問，AI搜索引擎支持搜索和推薦，聊天機器人支持交互。而其他時候，使用NLP工具提取信息以及豐富非結(jié)構(gòu)化文檔和文本是最佳選擇。

不妨看看開發(fā)人員和數(shù)據(jù)科學家如今使用這三種流行的開源NLP工具，可用于針對非結(jié)構(gòu)化文檔執(zhí)行發(fā)現(xiàn)操作，并開發(fā)生產(chǎn)就緒的NLP處理引擎。

1. 自然語言工具包

自然語言工具包（NLTK）于2001年發(fā)布，是較悠久且較流行的NLP Python庫之一。NLTK在GitHub上擁有超過1.18萬顆星，列有100多個經(jīng)過訓練的模型。

SPR的數(shù)據(jù)和分析主管Steven Devoe說：“我認為對于NLP來說，最重要的工具是自然語言工具包（NLTK），它采用了Apache 2.0許可證。在所有的數(shù)據(jù)科學項目中，處理和清理算法所使用的數(shù)據(jù)耗用了大量的時間和精力，這在自然語言處理中尤為如此。NLTK加快了這方面的許多工作，比如詞干提取、詞源化、標記、刪除停止詞以及跨多種書面語言嵌入詞向量，從而使算法更容易解釋文本。”

NLTK的優(yōu)點源于其耐久性，它為剛接觸NLP的開發(fā)人員提供了許多示例，比如這份初學者實踐指南和這個更全面的概述。任何學習NLP技術(shù)的人都可能想先試一下這個庫，因為它提供了簡單的方法來嘗試基本技術(shù)，比如標記化、詞干提取和分塊。

2.spaCy

spaCy是一個較新的庫，2016年發(fā)布了版本1.0。spaCy支持72余種語言，已發(fā)布了其性能基準，它在GitHub上積累的星數(shù)超過了25000顆。

Domino數(shù)據(jù)實驗室歐洲中東和非洲（EMEA）地區(qū)的數(shù)據(jù)科學主管Nikolay Manchev說：“spaCy是免費的開源Python庫，提供了對大量文本進行高速自然語言處理的高級功能。使用spaCy，用戶就可以構(gòu)建模型和生產(chǎn)級應(yīng)用程序，它們支持文檔分析、聊天機器人功能和所有其他形式的文本分析。如今，spaCy框架是Python最流行的自然語言庫之一，用于從文本中提取關(guān)鍵字、實體和知識等行業(yè)用例。”

spaCy教程顯示了NLTK類似的功能，比如命名實體識別和詞性標注。一個優(yōu)點是，spaCy返回文檔對象，并支持詞向量，這可以為開發(fā)人員執(zhí)行額外的NLP后數(shù)據(jù)處理和文本分析賦予更大的靈活性。

3.Spark NLP

如果您已經(jīng)使用Apache Spark并配置了其基礎(chǔ)設(shè)施，那么Spark NLP可能是開始嘗試自然語言處理的更便捷途徑之一。Spark NLP有幾個安裝選項，包括AWS、Azure Databricks和Docker。

John Snow Labs的首席技術(shù)官David Talby說：“Spark NLP是一個廣泛使用的開源自然語言處理庫，它使企業(yè)能夠以最高的精度從自由文本文檔中提取信息和答案。因此企業(yè)可以提取只存在于臨床記錄中的相關(guān)健康信息，識別社交媒體上的仇恨言論或虛假新聞，或概述法律協(xié)議和財經(jīng)新聞?！?/span>

Spark NLP的不同之處在于其是適用于醫(yī)療、金融和法律領(lǐng)域的語言模型。這些商業(yè)產(chǎn)品配備了預(yù)先訓練的模型，用于識別醫(yī)療領(lǐng)域的藥物名稱和劑量、金融實體識別（比如股票行情信息）以及公司名稱和高管的法律知識圖譜。

Talby表示，Spark NLP可以幫助組織盡量減少開發(fā)模型所需的前期訓練。他說：“這個免費開源庫附帶超過11000個預(yù)訓練的模型，外加重用、訓練、調(diào)優(yōu)和輕松擴展模型的功能。”

試用NLP的最佳實踐

我在職業(yè)生涯的早期有幸監(jiān)督過開發(fā)幾個使用NLP功能構(gòu)建的SaaS產(chǎn)品。第一個NLP是一個搜索報紙分類廣告的SaaS平臺，包括搜索汽車、工作和房地產(chǎn)。然后，我領(lǐng)導開發(fā)了用于從商業(yè)建筑文件（包括建筑規(guī)格和藍圖）中提取信息的NLP。

在一個新領(lǐng)域開始入手NLP時，我的建議如下：

• 從文檔或文本的一個代表性的小例子入手。
• 確定目標最終用戶角色以及提取的信息如何改進他們的工作流程。
• 指定所需的信息提取和目標準確性指標。
• 測試幾種方法，使用速度和準確性指標進行基準衡量。
• 反復(fù)提高準確性，尤其是在增加文檔的規(guī)模和廣度時。
• 準備交付用于處理數(shù)據(jù)質(zhì)量和處理異常的數(shù)據(jù)管理工具。

您可能會發(fā)現(xiàn)用于發(fā)現(xiàn)和試用新型文檔的NLP工具將有助于界定需求。然后，擴大NLP技術(shù)的比較范圍，涵蓋開源方案和商業(yè)方案，因為構(gòu)建和支持生產(chǎn)就緒的NLP數(shù)據(jù)管道可能成本高昂。隨著LLM日益?zhèn)涫荜P(guān)注，對NLP功能方面投入不足會導致落后于競爭對手。幸運的是，您可以從本文介紹的其中一款開源工具入手，構(gòu)建NLP數(shù)據(jù)管道，以滿足自己的預(yù)算和需求。

原文標題：3 open source NLP tools for data extraction，作者：Isaac Sacolick