198 lines
10 KiB
Python
198 lines
10 KiB
Python
|
||
"""
|
||
این سورس برای خواندن کل سکشن های قانون و پیشنهاد تعدادی کلاس بر اساس مدل آموزش دیده جهت این ماموریت مورد استفاده قرار می گیرد
|
||
"""
|
||
from transformers import pipeline
|
||
from normalizer import cleaning
|
||
from elastic_helper import ElasticHelper
|
||
import transformers
|
||
import json
|
||
import datetime
|
||
import pandas as pd
|
||
from transformers import AutoTokenizer
|
||
print(transformers.__version__)
|
||
|
||
# finetuned model for classification path
|
||
model_checkpoint = './models/classifier/findtuned_classification_hoosh_with_path_v2__30/checkpoint-1680'
|
||
|
||
tokenizer = AutoTokenizer.from_pretrained(model_checkpoint)
|
||
|
||
# window_size = tokenizer.model_max_length#512#200
|
||
window_size = 512
|
||
"""
|
||
(یعنی سایز پنجره) به این دلیل که تعداد توکن های ورودی به مدل، محدود به متغیر بالاست
|
||
متن هایی که سایز آنها بیشتر از این مقدار باشد را از طریق یک پنجره لغزان که روی کل متن حرکت می کند، به چند قسمت تقسیم می کنیم و برای هر پنجره، به صورت جداگانه، کلاس دریافت می کنیم.
|
||
سایز این قسمت ها را در step_size معین کرده ایم
|
||
"""
|
||
step_size = 350#100
|
||
# تعداد کلاس هایی که بازای هر سکشن از مدل درخواست می کنیم
|
||
Top_k = 4
|
||
|
||
classifier = pipeline("text-classification", model_checkpoint, framework="pt")
|
||
|
||
def get_class(sentences, top_k:int=4):
|
||
# sentences = cleaning(sentences)
|
||
out = classifier(sentences, top_k=top_k, truncation=True, max_length=window_size)
|
||
return out
|
||
|
||
def mean_classes(input_classes):
|
||
pass
|
||
all_classes = []
|
||
for cclass in input_classes:
|
||
for item in cclass:
|
||
all_classes.append({
|
||
'label': item['label'],
|
||
'score': item['score']
|
||
})
|
||
|
||
# sorted_classes = sorted(all_classes, key=lambda x: x['class'])
|
||
classes_df = pd.DataFrame(all_classes)
|
||
# گروه بندی بر اساس کلاس
|
||
grouped_df = classes_df.groupby("label").agg(
|
||
total_value=("score", "sum"), # مجموع امتیازها
|
||
count=("score", "count") # تعداد تکرار هر کلاس
|
||
).reset_index()
|
||
# تعریف فاکتور وزن بر اساس تعداد تکرار کلاس
|
||
grouped_df["weight"] = grouped_df["count"]
|
||
# بازسازی امتیاز با دخالت دادن وزن
|
||
grouped_df["score"] = grouped_df["total_value"] * grouped_df["weight"]
|
||
# حذف ستون‌های اضافی و ایجاد دیتافریم نهایی
|
||
final_df = grouped_df[["label", "count", "score"]]
|
||
# مرتب سازی دیتافریم نهایی بر اساس بالاترین امتیاز کلاسها
|
||
sorted_df = final_df.sort_values(by="score", ascending=False)
|
||
# تبدیل دیتافریم به دیکشنری
|
||
top_n_classes = sorted_df.head(Top_k).to_dict(orient="records")
|
||
|
||
for item in top_n_classes:
|
||
# تبدیل امتیاز در مبنای درصد
|
||
item['score'] = (item['score']*100)/sorted_df['score'].sum()
|
||
item.pop('count')
|
||
|
||
return top_n_classes
|
||
|
||
def get_window_classes(text):
|
||
text_classes = []
|
||
tokens = tokenizer(text)['input_ids'][1:-1]
|
||
#print(len(tokens))
|
||
if len(tokens) > window_size:
|
||
for i in range(0, len(tokens), step_size):#- window_size + 1
|
||
start_window_slice = tokens[0: i]
|
||
window_slice = tokens[i: i + window_size]
|
||
start_char = len(tokenizer.decode(start_window_slice).replace('[UNK]', ''))
|
||
char_len = len(tokenizer.decode(window_slice).replace('[UNK]', ''))
|
||
context_slice = text[start_char: start_char + char_len]
|
||
tokens_len = len(tokenizer(context_slice)['input_ids'][1:-1])
|
||
# print(f'i: {i},token-len: {tokens_len}', flush=True)
|
||
results = get_class(context_slice, Top_k)
|
||
text_classes.append(results)
|
||
|
||
text_classes = mean_classes(text_classes)
|
||
else:
|
||
text_classes = get_class(text, Top_k)
|
||
|
||
return text_classes
|
||
|
||
def full_path_text_maker(full_path):
|
||
"""
|
||
این متد مسیر یک سکشن را می گیرد و متنی را بر اساس ترتیب بخش های آن از جزء به کل بازسازی می کند و بر می گرداند
|
||
|
||
full_path_text متن بازسازی شده از مسیر یک سکشن
|
||
"""
|
||
full_path_text = ""
|
||
for i, path_item in enumerate(reversed(full_path)):
|
||
if i == len(full_path) - 1:
|
||
full_path_text += ''.join(f'{path_item}')
|
||
break
|
||
full_path_text += ''.join(f'{path_item} از ')
|
||
full_path_text = full_path_text.strip()
|
||
return full_path_text
|
||
|
||
def do_classify(sections):
|
||
print(f'start classification: {datetime.datetime.now()}')
|
||
|
||
test_counter = 1
|
||
# all = تعداد سکشن های فایل قبلی 282671
|
||
all = 285839
|
||
# لیستی جهت ذخیره عناوین قانون ها
|
||
qanon_title_list = []
|
||
# دیکشنری برای ذخیره نتایج که شامل شناسه سکشن ها و 4 کلاس به ترتیب اولویت است
|
||
new_sections_dict = {}
|
||
|
||
for index, item in enumerate(sections):
|
||
|
||
id = item['id']
|
||
|
||
source = item['source']
|
||
# اگر نوع سکشن، عنوان یا موخره یا امضاء باشد، نیازی به فرایند کلاسبندی نیست و لیست کلاس های مربوط به این سکشن را خالی قرار می دهیم
|
||
if source['other_info']['full_path'] == 'عنوان' or source['other_info']['full_path'] == 'موخره' or source['other_info']['full_path'] == 'امضاء':
|
||
new_sections_dict[id] ={
|
||
"best-class":{},
|
||
"other-classes": []}
|
||
|
||
print(f'section: {all}/{index+1}/{id}', flush=True)
|
||
continue
|
||
|
||
content = source['content']
|
||
qanon_title = source['qanon_title']
|
||
# این متغیر ریشه سکشن اخیر تا رسیدن به قانون را مشخص می کند
|
||
# مثلا: ماده5>تبصره یک>بند الف
|
||
full_path = source['other_info']['full_path'].split(">")
|
||
# بازسازی متن مسیر سکشن از جزء به کل
|
||
full_path_text = full_path_text_maker(full_path)
|
||
|
||
"""
|
||
به دلیل اینکه متن برخی از سکشن ها به تنهایی معنادار نیستند، مسیر جزء به کل ماده و عنوان قانون را به اول همه سکشن ها اضافه می کنیم تا هم نقیصه معنادار نبودن موارد این چنینی را برطرف کنیم و هم برای کلاس بندی، انتخاب مدل را بر اساس عنوان قانون جهت دهی کنیم. به این صورت، مدل، عنوان قانون را هم در کلاس بندی دخیل خواهد کرد
|
||
"""
|
||
pre_content = f"محتوای {full_path_text} {cleaning(qanon_title)} متن زیر است."
|
||
try:
|
||
content = cleaning(content)
|
||
except Exception as e:
|
||
# شناسه ماده هایی که محتوای آنها خالی است در این مسیر ذخیره می شوند
|
||
with open('./data/empty_content_log.txt', 'a', encoding='utf-8') as output_file:
|
||
output_file.write(id + " >> " + str(e) + "\n")
|
||
continue
|
||
try:
|
||
# دریافت کلاس های مربوط به یک سکشن
|
||
section_classes = get_window_classes(f"{pre_content} {content}")
|
||
|
||
#region collect data for evaluation
|
||
""" این قسمت تا 7 خط بعدی، صرفا جهت جمع آوری و ذخیره تعدادی از سکشن ها و کلاس های پیش بینی شده برای آنها، به منظور ارزیابی عملکرد مدل توسط کاربر انسانی است و دخیل در فرایند کلاسبندی نیست"""
|
||
if (len(tokenizer(f"{pre_content} {content}")['input_ids'][1:-1]) < 1500) and not qanon_title in qanon_title_list:
|
||
with open('./data/classification/test_log_60e_hoosh_fp3.txt', 'a', encoding='utf-8') as output_file:
|
||
message = f"\n{test_counter}\n{id} : {pre_content} {content}\nclasses:\n"
|
||
for cls in section_classes:
|
||
message += f"{cls['label']} >> {cls['score']}\n"
|
||
output_file.write(message + "\n")
|
||
test_counter+=1
|
||
#endregion
|
||
|
||
except Exception as e:
|
||
error = e
|
||
with open('./data/classification/errors.txt', 'a', encoding='utf-8') as output_file:
|
||
output_file.write(f"{id} -- Error Content:{error}\n")
|
||
continue
|
||
# item['classes'] = section_classes
|
||
# ساماندهی کلاس های پیش بینی شده در عنوان بهترین کلاس و دیگر کلاسها بر اساس امتیاز تخمین مدل و ذخیره در دیکشنری
|
||
new_sections_dict[id] ={
|
||
"content" : content,
|
||
"best-class" : section_classes[0],
|
||
"other-classes" : section_classes[1:]
|
||
}
|
||
|
||
""" برای حالت تست که می خواهیم عملکرد مدل کلاسیفایر را ارزیابی کنیم، بدین جهت که تنوعی از قوانین مختلف را بررسی کنیم، عنوان قوانین را ذخیره می کنیم تا از تکرار بررسی سکشن های متعدد از یک قانون پرهیز شود"""
|
||
qanon_title_list.append(qanon_title)
|
||
print(f'section: {all}/{index+1}/{id}', flush=True)
|
||
# ذخیره دیکشنری شناسه های قانون و کلاس های تخمین زده شده در فایل جیسون
|
||
with open('./data/classification/all_sections_classes_new_140405.json', 'w', encoding='utf-8') as output_file:
|
||
json_data = json.dumps(new_sections_dict, indent=4, ensure_ascii=False)
|
||
output_file.write(json_data)
|
||
|
||
print(f'end: {datetime.datetime.now()}')
|
||
print('classification finished!')
|
||
|
||
classified_sections_dict = new_sections_dict
|
||
|
||
return classified_sections_dict
|
||
|
||
|