语义依存分析(依存图)API文档讯飞开放平台文档中心

自然语言处理,是以哈工大社会计算与信息检索研究中心研发的“语言技术平台(LTP)”为基础,为用户提供高效精准的中文(简体)自然语言处理服务。该自然语言基础处理服务包括:词法分析、依存句法分析、语义角色标注、语义依存(依存树)分析、语义依存(依存图)分析五类,其中词法分析又可以分为:中文分词、词性标注、命名实体识别。

模块简介:

以上能力是通过HTTPAPI的方式给开发者提供一个通用的接口,适用于一次性交互数据传输的AI服务场景。相较于SDK,API具有轻量、跨语言的特点,不过请注意该接口使用的HTTPAPI协议不支持跨域。

集成自然语言处理API时,需按照以下要求。

接口地址示例:

在调用该业务接口时

IP白名单规则

注:

*X-CheckSum*生成示例:

X-Param生成示例:

注:一般基础类库会默认进行urlencode处理,请注意不要重复处理。

返回值为json串,各字段如下:

)datajson对象对应具体的文本分析结果,例如分词结果descstring描述sidstring会话ID其中sid字段主要用于追查问题,如果出现问题,可以提供sid给讯飞技术人员帮助确认问题。

data各字段说明如下:

结果示例如下:

失败结果:

{"code":"10105","desc":"illegalaccess|invalidX-Appid","data":{},"sid":"ltp0000a744@ch78290eb1e128000100"}成功结果:

中文分词(cws)

{"code":"0","data":{"word":["他","叫","汤姆","去","拿","外衣","。"]},"desc":"success","sid":"ltp00000006@ch7ea90e9a28b8000100"}词性标注(pos)

{"code":"0","data":{"pos":["r","v","nh","v","v","n","wp"]},"desc":"success","sid":"ltp00000007@ch7ea90e9a28ef000100"}"r","v","nh","v","v","n","wp"分别对应cws返回结果中的"他","叫","汤姆","去","拿","外衣","。"

依存句法分析(dp)

{"code":"0","data":{"dp":[{"parent":1,"relate":"SBV"},{"parent":-1,"relate":"HED"},{"parent":1,"relate":"DBL"},{"parent":4,"relate":"ADV"},{"parent":1,"relate":"VOB"},{"parent":4,"relate":"VOB"},{"parent":1,"relate":"WP"}]},"desc":"success","sid":"ltp00000005@ch7ea90e9a2858000100"}以dp[0]为例,"他"的父节点是"叫",他们中间的关系为SBV,即主谓关系。

命名实体识别(ner)

{"code":"0","data":{"ner":["O","O","S-Nh","O","O","O","O"]},"desc":"success","sid":"ltp00000008@ch7ea90e9a2928000100"}"O","O","S-Nh","O","O","O","O"分别对应cws返回结果中的"他","叫","汤姆","去","拿","外衣","。"

语义角色标注(srl)

{"code":"0","data":{"srl":[{"beg":0,"end":0,"id":1,"type":"A0"},{"beg":2,"end":2,"id":1,"type":"A1"},{"beg":3,"end":5,"id":1,"type":"A2"},{"beg":5,"end":5,"id":4,"type":"A1"}]},"desc":"success","sid":"ltp0000a741@ch78290eb1df9e000100"}语义依存(依存树)分析(sdp)

{"code":"0","data":{"sdp":[{"parent":2,"relate":"Agt"},{"parent":0,"relate":"Root"},{"parent":2,"relate":"Datv"},{"parent":2,"relate":"eSucc"},{"parent":4,"relate":"ePurp"},{"parent":5,"relate":"Pat"},{"parent":2,"relate":"mPunc"}]},"desc":"success","sid":"ltp00000002@ch409d0e9a29ec000100"}以sdp[0]为例,"他"的父节点是"叫",他们中间的关系为Agt,即施事关系。

语义依存(依存图)分析(sdgp)

{"code":"0","data":{"sdgp":[{"id":0,"parent":1,"relate":"Agt"},{"id":1,"parent":-1,"relate":"Root"},{"id":2,"parent":1,"relate":"Datv"},{"id":2,"parent":3,"relate":"Agt"},{"id":2,"parent":4,"relate":"Agt"},{"id":3,"parent":1,"relate":"eSucc"},{"id":4,"parent":3,"relate":"ePurp"},{"id":5,"parent":4,"relate":"Pat"},{"id":6,"parent":4,"relate":"mPunc"}]},"desc":"success","sid":"ltp0000000a@dx4f2f0f1f5931000100"}以sdgp[0]为例,"他"的父节点是"叫",他们中间的关系为Agt,即施事关系。

python脚本示例(python3)

说明:将脚本中TEXT,API_KEY,APPID,{func},换成相应的待分析文本,讯飞开放平台提供的apiKey,讯飞开放平台应用的appid以及功能模块名称即可,运行脚本可打印相应结果。

备注:核心的语义角色为A0-5六种,A0通常表示动作的施事,A1通常表示动作的影响等,A2-5根据谓语动词不同会有不同的语义含义。

注:demo只是一个简单的调用示例,不适合直接放在复杂多变的生产环境使用

答:语义依存分析(依存图),分析句子各个语言单位之间的语义关联,并将语义关联以依存结构呈现。

THE END
1.AI在自然语言处理中的突破:从理论到应用腾讯云开发者社区自然语言处理的核心技术 1. 词嵌入(Word Embedding) 词嵌入技术通过将词语映射到一个高维向量空间中,使得计算机能够理解词语之间的关系。常见的词嵌入模型包括Word2Vec、GloVe和FastText。这些模型通过大量文本数据的训练,能够捕捉词语的语义信息。 ###2. 变压器模型(Transformer) https://cloud.tencent.com/developer/article/2479408
2.自然语言处理中的知识图谱自然语言处理(NLP)是计算机科学和人工智能领域的一个分支,旨在让计算机理解、生成和处理人类语言。知识图谱(Knowledge Graph,KG)是一种以实体(entity)和关系(relation)为基础的图形数据库,可以帮助计算机理解和推理人类语言。在过去的几年里,知识图谱在自然语言处理领域取得了显著的进展,成为了NLP的一个重要组成部分。 https://blog.csdn.net/universsky2015/article/details/135788023
3.应用:自然语言生成与对话系统51CTO博客知识图谱(Knowledge Graph, KG)是一种用于表示实体(entity)和实体之间的关系(relation)的数据结构。知识图谱的核心是将实体和关系建模成图的节点(node)和边(edge),实体表示为节点,关系表示为边。知识图谱可以帮助计算机理解自然语言,从而实现自然语言处理(Natural Language Processing, NLP)的目标。 https://blog.51cto.com/universsky/9048284
4.AI自然语言处理NLP原理与Python实战:知识图谱的构建自然语言处理(Natural Language Processing,NLP)是人工智能(Artificial Intelligence,AI)领域的一个重要分支,旨在让计算机理解、生成和处理人类语言。知识图谱(Knowledge Graph,KG)是一种结构化的数据库,用于存储实体(如人、地点、组织等)及其关系的信息。知识图谱的构建是自然语言处理的一个重要应用,可以帮助计算机理解人类https://zhuanlan.zhihu.com/p/670006229
5.Python自然语言处理实战图1-5还显示了当我们使用Google的Translation API服务时,翻译文本的JSON响应。 1.2.5 自然语言推理 自然语言推理(natural language inference,NLI)任务对前提和假设之间的关系进行分类。在推理过程中,任务将前提和假设作为输入,并基于给定的前提输出假设是否为真的判断。 https://www.ituring.com.cn/book/tupubarticle/33684
6.文本序列的常用构图方法与代表案例剖析信息抽取图的目的是抽取结构信息来表示自然句子中的高级信息。 在实现上: 首先,通过Openie等工具识别出句子中的实体、实体之间的共指关系三元组(如上图中名字 "Pual"、名词 "He "和 "一位著名的计算机科学家 指的是同一个对象),以及主谓宾三元组(如图中的paul,grew up in seatle),一同作为关系三元组数据(https://www.shangyexinzhi.com/article/4455904.html
7.干货分享RDF和LPG知识图谱上的表示学习在本文中,我们将重温三元组在知识图谱构建中的结构范式,同时也将学到新概念—超图、超关系知识图谱以及超关系知识图谱的发展历程、超关系知识图谱编码、解码的全过程等等。原文(见阅读原文)翻译如下: 知识图谱(KGs)是现代自然语言处理和人工智能应用的基石——近期的成果包括问答、实体和关系链接、语言建模、信息提取,https://www.jianshu.com/p/5366ec5bc4a2
8.政策智能分析详解,达观RPANLP知识图谱技术多嘲落地应用通过机器人流程自动化(RPA)、自然语言处理(NLP)、共光学字符识别(OCR)、知识图谱、智能搜索、智能推荐、文档智能审阅等自动化与人工智能技术的结合,未来,达观数据也将继续助力企业快速实现智能化升级。https://blog.itpub.net/69997703/viewspace-2778372/
9.科学网—[转载]时态知识图谱补全的方法及其进展杜剑峰(1976-),男,博士,广东外语外贸大学教授,中国中文信息学会语言与知识计算专业委员会委员,主要研究方向为知识表示与推理、数据挖掘和自然语言处理。在AAAI、WWW、ISWC、CIKM和KAIS等学术会议上发表数十篇文章,获得多项国家自然科学基金项目资助。担任JournalofWebSemantics编委,长期担任CCKS、CSWS、IJCAI、AAAI、ISWC、https://blog.sciencenet.cn/blog-3472670-1296534.html
10.产品经理的知识图谱入门实操人人都是产品经理从无结构的文本中抽取知识,首先需要识别文本中的实体,这个过程称之为做命名实体识别(Named Entity Recognition,NER),命名实体识别属于自然语言处理中的一项基础任务,同时也是关系抽取、事件抽取、机器翻译、问答系统等多个NLP任务的基础工作,其目标是从文本中抽取出具有特定意义的实体,一般包括实体类、实践类、数字类三个https://www.woshipm.com/pmd/2638735.html
11.全国一体化政务大数据体系建设指南图2国家平台与地方和部门平台关系图 国务院办公厅统筹全国一体化政务大数据体系的建设和管理,整合形成国家政务大数据平台,建立完善政务大数据管理机制、标准规范、安全保障体系。国务院有关部门要明确本部门政务数据主管机构,统筹管理本部门本行业政务数据,推动垂直管理业务系统与国家政务大数据平台互联互通。已建设政务数据平台https://www.hc.gov.cn/bmjd/jz/gdz/zwxx_100731/dt_100733/202210/t20221031_11249976.html
12.Python自然语言处理之词干,词形与最大匹配算法代码详解python这篇文章主要介绍了Python自然语言处理之词干,词形与MaxMatch算法代码详解,涉及词干提取,词形还原,简单总结了二者的区别和联系,最后还分享了最大匹配算法的相关示例,具有一定参考价值,需要的朋友可以了解下。 本文主要对词干提取及词形还原以及最大匹配算法进行了介绍和代码示例,Python实现,下面我们一起看看具体内容。 https://www.jb51.net/article/128333.htm
13.?达摩院文档级关系抽取新数据集和五元组抽取新任务自然语言处理 关系抽取 EMNLP 信息抽取 知识图谱邴立东 2022-12-02关系抽取(RE)是 NLP 的核心任务之一,是构建知识库、事件抽取等下游应用的关键技术。多年来受到研究者的持续关注。 本文将介绍达摩院语言实验室多语言 NLP 算法团队的两篇 EMNLP 2022 主会论文。第一篇论文针对文档级关系抽取任务中普遍存在的假负https://techbeat.net/article-info?id=4379