File size: 13,321 Bytes
eaebaa4 83f1514 eaebaa4 83f1514 eaebaa4 83f1514 eaebaa4 83f1514 eaebaa4 83f1514 eaebaa4 83f1514 eaebaa4 83f1514 eaebaa4 83f1514 eaebaa4 83f1514 eaebaa4 83f1514 eaebaa4 83f1514 eaebaa4 83f1514 eaebaa4 83f1514 eaebaa4 83f1514 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 |
from classy_classification import ClassyClassifier
import pickle
import spacy
from spacy import displacy
from spacy.tokenizer import Tokenizer
from spacy.util import compile_prefix_regex, compile_suffix_regex, compile_infix_regex
from nltk import Tree
from src.nlp.data.test_texts import TEXTS
from src.nlp.playground.textclassification import ZeroShotClassifier, CustomMode
from src.utils.helpers import normalize_data
from src.utils.markdown_processing.CustomMarkdownAnalyzer.MarkdownAnalyzer import MarkdownAnalyzer
date_classifier_train_data = {
"EVENT_DATE": [
"Termin: [DATE], 19:00",
"[DATE]",
"Unser Meetup ist am [DATE] um 18:30 Uhr.",
"Konzert: [DATE]",
"Das Festival startet am [DATE]",
"Die Show findet am [DATE] um 20:00 Uhr statt.",
"[DATE] – Save the Date!",
"Das Webinar beginnt am [DATE] um 16:00 Uhr.",
"[DATE] – Große Premiere im Theater!",
"Event am [DATE], komm vorbei!",
"[DATE] – Silvesterparty!",
"Fußballspiel: [DATE], 15:30 Uhr",
"Live-Musik am [DATE]",
"[DATE] – Infos folgen!",
"[DATE] um 20:00 Uhr",
"Termin: [DATE], 18:00 Uhr",
"Wann? [DATE], 19:00 bis 20:00 Uhr"
"Das Konzert findet am [DATE] statt.",
"Save the Date: [DATE]!",
"Nächste Veranstaltung: [DATE]",
"[DATE] – große Feier!",
"Konzert am [DATE], 20:00 Uhr",
"[DATE]",
"Festival: [DATE] – [DATE]",
"[DATE] – nicht verpassen!",
"Sportevent: [DATE]",
"Networking-Event am [DATE], 17:00 Uhr",
"Workshop: [DATE], 14:00 Uhr",
"Firmenfeier: [DATE] ab 18:30 Uhr",
"Seminar: [DATE], Beginn um 10:00 Uhr",
"Schulung am [DATE] um 15:00 Uhr",
"Jubiläumsfeier am [DATE], 19:30 Uhr",
"[DATE] 23:00",
"[DATE] 23:00",
"[DATE] 23:00",
"Datum: [DATE], Startzeit: 10:00, Endzeit: 12:00",
"Samstag, [DATE], Einlass: 15:59, Beginn: 17:30, Preis: 65,73 EUR",
"Samstag, [DATE], Einlass: 17:00, Beginn: 19:00, Preis: 74,99 EUR",
"Samstag, [DATE], Einlass: 18:00, Beginn: 20:00",
"Freitag, [DATE], Einlass: 17:00, Beginn: 19:00, Preis: 77,93 EUR",
"Samstag, [DATE], Einlass: 16:30, Beginn: 18:30, Preis: ab 69,99 Euro",
"Gestört aber GeiL – Das Festival • [DATE], 16:00 • Berlin",
"Samstag, [DATE], Einlass: 17:00, Beginn: 19:00",
"Kaufberatung: [DATE] um 19:00",
"Bedienung: [DATE] um 19:00",
"[DATE] Ganztägig",
"ab dem [DATE]",
"Mittwoch, [DATE], von 18:00-22:00",
"Mittwoch, [DATE], von 18:00-22:00",
"Augsburger Friedensgespräche am [DATE]",
"Augsburger Friedensgespräche am [DATE]",
"Augsburger Friedensgespräche am [DATE]",
"[DATE] - [DATE]",
"Am [DATE] endet der Weihnachtsmarkt bereits um 19:00.",
"Winzerglühwein Do [DATE] 17:00 - 19:00",
"Winzerglühwein Fr [DATE] 16:30 - 18:30",
"Winzerglühwein Sa [DATE] 15:30 - 15:30",
"Lessons and Carols Sa [DATE] 19:30 - 21:00",
"[DATE] - [DATE]",
"Vom [DATE] - [DATE]",
"[DATE] - [DATE]",
"Am [DATE] endet der Weihnachtsmarkt bereits um 19:00.",
"Do [DATE] 17:00 - 19:00",
"Fr [DATE] 16:30 - 18:30",
"Sa [DATE] 15:30 - 15:30",
"Sa [DATE] 19:30 - 21:00",
"[DATE]",
"[DATE] - [DATE]",
"[DATE]",
"[DATE]",
"[DATE] und [DATE]",
"[DATE]",
"[DATE] - [DATE]",
"Am [DATE] endet der Weihnachtsmarkt bereits um 19:00.",
"Vom [DATE] - [DATE]",
"[DATE] und [DATE]",
"Am [DATE] ab 19:00",
"Am [DATE] ab 19:00",
"Am [DATE]",
"[DATE]",
"[DATE]",
"[DATE]",
"[DATE] 16:00 – [DATE] 17:00",
"[DATE] 10:15 – [DATE] 12:30",
"[DATE] 10:00 – [DATE] 18:00",
"[DATE]",
"[DATE] 11:00 – [DATE] 18:00",
"[DATE] - [DATE]",
"[DATE] | 19:30",
"[DATE]",
"[DATE] bis einschließlich [DATE]",
"[DATE], [DATE], [DATE] und [DATE]",
"[DATE] 18:00",
"[DATE] 13:00-21:00",
],
"OTHER": [
"Der Vorverkauf startet am [DATE].",
"Anmeldefrist: [DATE]",
"Tickets sind bis zum [DATE] erhältlich.",
"Call for Papers läuft bis zum [DATE].",
"Die Registrierung endet am [DATE].",
"Bewerbungsschluss: [DATE].",
"Frühbucherrabatt bis zum [DATE]!",
"Einreichungsfrist: [DATE]",
"Die Akkreditierung läuft bis zum [DATE]",
"Reservierungen sind bis zum [DATE] möglich.",
"Der Ticketverkauf startet am [DATE]",
"Letzte Chance zur Anmeldung: [DATE]",
"Call for Speakers läuft bis [DATE]",
"Bitte reicht eure Abstracts bis [DATE] ein.",
"Akkreditierung endet am [DATE]",
"Bewerbungsschluss: [DATE]",
"Die Early-Bird-Phase läuft bis zum [DATE]",
"Anmeldefrist für Workshops: [DATE]",
"Die Frist für Sponsorings endet am [DATE]",
"Vergünstigte Tickets bis zum [DATE] verfügbar!"
]
}
time_classifier_train_data = {
"EVENT_TIME": [
"**Wann?** 12.05.2024, 19:00-21:00",
"So. 12.08.2024 12:15 - 13:15 CET",
"13:00 - 14:00",
"Termin: [DATE], 19:00",
"[DATE]",
"Unser Meetup ist am [DATE] um 18:30 Uhr.",
"Die Show findet am [DATE] um 20:00 Uhr statt.",
"Das Webinar beginnt am [DATE] um 16:00 Uhr.",
"Fußballspiel: [DATE], 15:30 Uhr",
"[DATE] um 20:00 Uhr",
"Termin: [DATE], 18:00 Uhr",
"Wann? [DATE], 19:00 bis 20:00 Uhr"
"Konzert am [DATE], 20:00 Uhr",
"Networking-Event am [DATE], 17:00 Uhr",
"Workshop: [DATE], 14:00 Uhr",
"Firmenfeier: [DATE] ab 18:30 Uhr",
"Seminar: [DATE], Beginn um 10:00 Uhr",
"Schulung am [DATE] um 15:00 Uhr",
"Jubiläumsfeier am [DATE], 19:30 Uhr",
"[DATE] 23:00",
"[DATE] 23:00",
"[DATE] 23:00",
"Datum: [DATE], Startzeit: 10:00, Endzeit: 12:00",
"Samstag, [DATE], Einlass: 15:59, Beginn: 17:30, Preis: 65,73 EUR",
"Samstag, [DATE], Einlass: 17:00, Beginn: 19:00, Preis: 74,99 EUR",
"Samstag, [DATE], Einlass: 18:00, Beginn: 20:00",
"Freitag, [DATE], Einlass: 17:00, Beginn: 19:00, Preis: 77,93 EUR",
"Samstag, [DATE], Einlass: 16:30, Beginn: 18:30, Preis: ab 69,99 Euro",
"Gestört aber GeiL – Das Festival • [DATE], 16:00 • Berlin",
"Samstag, [DATE], Einlass: 17:00, Beginn: 19:00",
"Kaufberatung: [DATE] um 19:00",
"Bedienung: [DATE] um 19:00",
"[DATE] Ganztägig",
"ab dem [DATE]",
"Mittwoch, [DATE], von 18:00-22:00",
"Mittwoch, [DATE], von 18:00-22:00",
"Augsburger Friedensgespräche am [DATE]",
"Augsburger Friedensgespräche am [DATE]",
"Augsburger Friedensgespräche am [DATE]",
"[DATE] - [DATE]",
"Am [DATE] endet der Weihnachtsmarkt bereits um 19:00.",
"Winzerglühwein Do [DATE] 17:00 - 19:00",
"Winzerglühwein Fr [DATE] 16:30 - 18:30",
"Winzerglühwein Sa [DATE] 15:30 - 15:30",
"Lessons and Carols Sa [DATE] 19:30 - 21:00",
"[DATE] - [DATE]",
"Vom [DATE] - [DATE]",
"[DATE] - [DATE]",
"Am [DATE] endet der Weihnachtsmarkt bereits um 19:00.",
"Do [DATE] 17:00 - 19:00",
"Fr [DATE] 16:30 - 18:30",
"Sa [DATE] 15:30 - 15:30",
"Sa [DATE] 19:30 - 21:00",
"[DATE]",
"[DATE] - [DATE]",
"[DATE]",
"[DATE]",
"[DATE] und [DATE]",
"[DATE]",
"[DATE] - [DATE]",
"Am [DATE] endet der Weihnachtsmarkt bereits um 19:00.",
"Vom [DATE] - [DATE]",
"[DATE] und [DATE]",
"Am [DATE] ab 19:00",
"Am [DATE] ab 19:00",
"Am [DATE]",
"[DATE]",
"[DATE]",
"[DATE]",
"[DATE] 16:00 – [DATE] 17:00",
"[DATE] 10:15 – [DATE] 12:30",
"[DATE] 10:00 – [DATE] 18:00",
"[DATE]",
"[DATE] 11:00 – [DATE] 18:00",
"[DATE] - [DATE]",
"[DATE] | 19:30",
"[DATE]",
"[DATE] bis einschließlich [DATE]",
"[DATE], [DATE], [DATE] und [DATE]",
"[DATE] 18:00",
"[DATE] 13:00-21:00",
],
"OTHER":[
"Einlass: 19:00",
"Abendkasse ab 20:00 Uhr",
"Tageskarten können ab 18:00 Uhr gekauft werden.",
"Öffnungszeiten: Mo-Fr 09:00 - 17:00",
"Kartenverkauf ab 17:30 Uhr",
"Einlass beginnt um 18:45",
"Reservierung erforderlich bis 12:00 Uhr",
]
}
nlp = spacy.blank("de")
nlp.add_pipe('sentencizer')
# 1️⃣ Punkt als Suffix & Infix definieren (damit er zwischen Zahlen trennt)
suffixes = list(nlp.Defaults.suffixes) + [r"\."] # Punkt als Suffix hinzufügen
infixes = list(nlp.Defaults.infixes) + [r"(?<=\d)\.(?=\d)"] + [r"(?<=\d)\:(?=\d)"] # Punkt zwischen Zahlen trennen
# Regex-Objekte kompilieren
suffix_re = compile_suffix_regex(suffixes)
infix_re = compile_infix_regex(infixes)
# Angepasste Tokenizer-Funktion setzen
nlp.tokenizer = Tokenizer(nlp.vocab, suffix_search=suffix_re.search, infix_finditer=infix_re.finditer)
# 2️⃣ Entity Ruler für Datumsangaben hinzufügen
ruler = nlp.add_pipe("entity_ruler")
patterns = [
{
"label": "DATE",
"pattern": [
{"SHAPE": "dd"}, {"ORTH": "."}, {"SHAPE": "dd"}, {"ORTH": "."}, {"SHAPE": "dddd"}
]
},
{
"label": "TIME",
"pattern": [
{"SHAPE": "dd"}, {"ORTH": ":"}, {"SHAPE": "dd"}
]
}
]
ruler.add_patterns(patterns)
# Prepare Training Data: Use Placeholders for Times and Dates
classifier_train_data_cleaned = {"EVENT_DATE": [], "OTHER":[]}
for text in date_classifier_train_data["EVENT_DATE"]:
text = normalize_data(text)
doc = nlp(text)
for ent in doc.ents:
if ent.label_ == "DATE":
text = text.replace(ent.text, "[DATE]")
if ent.label_ == "TIME":
text = text.replace(ent.text, "[TIME]")
classifier_train_data_cleaned["EVENT_DATE"].append(text)
for text in date_classifier_train_data["OTHER"]:
text = normalize_data(text)
doc = nlp(text)
for ent in doc.ents:
if ent.label_ == "DATE":
text = text.replace(ent.text, "[DATE]")
if ent.label_ == "TIME":
text = text.replace(ent.text, "[TIME]")
classifier_train_data_cleaned["OTHER"].append(text)
# remove duplicates
classifier_train_data_cleaned["EVENT_DATE"] = list(set(classifier_train_data_cleaned["EVENT_DATE"]))
classifier_train_data_cleaned["OTHER"] = list(set(classifier_train_data_cleaned["OTHER"]))
print(classifier_train_data_cleaned["EVENT_DATE"])
print(classifier_train_data_cleaned["OTHER"])
classifier = ClassyClassifier(data=classifier_train_data_cleaned)
classifier.set_embedding_model(model="stsb-xlm-r-multilingual")
with open("../../playground/models/date_classifier.pkl", "wb") as f:
pickle.dump(classifier, f)
zero_shot_classifier = ZeroShotClassifier()
TEXTS = ["Tickets können ab dem 03.12.2020 erworben werden"]
for text in TEXTS:
text = normalize_data(text)
analyzer = MarkdownAnalyzer(text)
print("*"*100)
print(text)
print("\n\n\n")
md_elements = analyzer.identify_all().get("block_elements")
md_elements = []
dates = {"dates": [], "times": []}
for md_element in md_elements:
doc = nlp(md_element.text)
# Prüfe Tokenisierung
# print("Tokens:", [token.text for token in doc])
print(doc.ents)
if doc.ents:
print(md_element.text)
modified_text = md_element.text
# Replace TIME and DATE entities with placeholders
for ent in doc.ents:
if ent.label_ == "DATE":
modified_text = modified_text.replace(ent.text, "[DATE]")
if ent.label_ == "TIME":
modified_text = modified_text.replace(ent.text, "[TIME]")
date_entities = [ent.text for ent in doc.ents if ent.label_ == "DATE"]
# Classify Date category
if date_entities:
print("DATES: ",date_entities )
cats = classifier(modified_text)
date_category = max(cats, key=cats.get)
print("Date Category: ", date_category)
if date_category == "EVENT_DATE":
dates["dates"].extend(date_entities)
time_entities = [ent.text for ent in doc.ents if ent.label_ == "TIME"]
if time_entities:
# Classify Time category
print("ZEITEN: ", time_entities)
time_category = zero_shot_classifier.classify(modified_text, CustomMode(
labels=["BEGINN", "EINLASS", "ABLAUF"],
hypothesis_template="Der Text geht um {} einer Veranstaltung"))[0].label
print("Time Category: ", time_category)
if time_category == "BEGINN":
dates["times"].extend(time_entities)
print("\n")
print(dates)
print("*" * 100)
|