3.8 KiB
استخراج‌گر کلیدواژه جملات فارسی
این پروژه یک اسکریپت پایتون (p5_representer.py) برای استخراج کلیدواژه‌ها از جملات و سکشن‌های متون حقوقی فارسی با استفاده از مدل‌های مبتنی بر Transformer است.
نحوه عملکرد
این اسکریپت از مدل Meta-Llama-3.1-8B-Instruct (با فشرده‌سازی و کوانتش برای کارایی بیشتر) استفاده می‌کند.
ابتدا متن ورودی دریافت شده، با استفاده از پرامپت‌های سیستمی و کاربری آماده‌سازی می‌شود و سپس کلمات کلیدی مرتبط از متن استخراج می‌شوند.
پیش‌نیازها
- پایتون 3.8 یا بالاتر
- کتابخانه‌های torch، transformers، bitsandbytes
- کلاس ElasticHelper برای بارگذاری داده‌ها
- سایر ابزارها در فایل
requirements.txt
برای مشاهده نسخه دقیق کتابخانه‌ها به فایل requirements.txt مراجعه کنید.
استفاده از پرامپت‌ها
- پرامپت سیستمی (SYS_PROMPT): نقش دستیار را تعریف می‌کند. نمونه: "شما یک دستیار حقوقی هستید."
- پرامپت کاربری (USER_PROMPT): به مدل می‌گوید حداقل تعداد مشخصی کلیدواژه استخراج کند. خروجی باید فهرستی فارسی باشد، بدون علائم اضافی.
این ترکیب باعث پایداری و دقت در استخراج کلیدواژه می‌شود.
متدهای اصلی
format_prompt(SENTENCE: str) -> str
متن خام فارسی را به فرمت مناسب برای مدل تبدیل می‌کند.
ورودی: یک جمله فارسی (str)
خروجی: متن قالب‌بندی‌شده (str)
kw_count_calculator(text: str) -> int
تعداد کلیدواژه‌ها را بر اساس طول متن محاسبه می‌کند.
ورودی: متن (str)
خروجی: تعداد کلیدواژه‌ها (int)
generate(formatted_prompt: str) -> str
متد اصلی برای ارسال پرامپت به مدل و دریافت خروجی.
ورودی: پرامپت آماده‌شده (str)
خروجی: متن کلیدواژه‌ها (str)
single_section_get_keyword(sentence: str) -> list[str]
متد اصلی برای استخراج کلیدواژه‌ها از یک جمله.
ورودی: جمله (str)
خروجی: لیستی از کلیدواژه‌های یکتا (list[str])
get_sections() -> dict
بارگذاری سکشن‌ها از فایل فشرده JSON با کمک کلاس ElasticHelper.
خروجی: دیکشنری سکشن‌ها (dict)
convert_to_dict(sections: list) -> dict
تبدیل لیست سکشن‌ها به دیکشنری با کلید ID.
do_keyword_extract(sections: dict) -> tuple
حلقه اصلی پردازش سکشن‌ها، ذخیره خروجی در فایل JSON و ثبت خطاها.
ورودی: سکشن‌ها (dict)
خروجی: تاپل (operation_result: bool, sections: dict)
مثال ورودی/خروجی
ورودی:
"حقوق و تکالیف شهروندی در قانون اساسی ایران مورد تاکید قرار گرفته است."
خروجی:
حقوق شهروندی
قانون اساسی
تکالیف
ایران
نکات
- مدل‌های بزرگ (Llama 3.1) به GPU با حافظه بالا نیاز دارند.
- کلیدواژه‌های تکراری حذف می‌شوند.
- نتایج پردازش به‌صورت خودکار در فایل JSON ذخیره می‌شود.