import os import gradio as gr import subprocess import sys def install(package): subprocess.check_call([sys.executable, "-m", "pip", "install", package]) install("numpy") install("torch") install("transformers") install("unidecode") import numpy as np import torch from transformers import AutoTokenizer from transformers import AutoModelForTokenClassification from collections import Counter from unidecode import unidecode import string import re tokenizer = AutoTokenizer.from_pretrained("osiria/minilm-l6-h384-italian-cased-ner") model = AutoModelForTokenClassification.from_pretrained("osiria/minilm-l6-h384-italian-cased-ner", num_labels = 5) device = torch.device("cpu") model = model.to(device) model.eval() from transformers import pipeline ner = pipeline('ner', model=model, tokenizer=tokenizer, device=-1) header = '''--------------------------------------------------------------------------------------------------
 D     E     M  O

''' maps = {"O": "NONE", "PER": "PER", "LOC": "LOC", "ORG": "ORG", "MISC": "MISC", "DATE": "DATE"} reg_month = "(?:gennaio|febbraio|marzo|aprile|maggio|giugno|luglio|agosto|settembre|ottobre|novembre|dicembre|january|february|march|april|may|june|july|august|september|october|november|december)" reg_date = "(?:\d{1,2}\°{0,1}|primo|\d{1,2}\º{0,1})" + " " + reg_month + " " + "\d{4}|" reg_date = reg_date + reg_month + " " + "\d{4}|" reg_date = reg_date + "\d{1,2}" + " " + reg_month reg_date = reg_date + "\d{1,2}" + "(?:\/|\.)\d{1,2}(?:\/|\.)" + "\d{4}|" reg_date = reg_date + "(?<=dal )\d{4}|(?<=al )\d{4}|(?<=nel )\d{4}|(?<=anno )\d{4}|(?<=del )\d{4}|" reg_date = reg_date + "\d{1,5} a\.c\.|\d{1,5} d\.c\." map_punct = {"’": "'", "«": '"', "»": '"', "”": '"', "“": '"', "–": "-", "$": ""} preps = "^di |^del |^dello |^della |^dei |^degli |^delle |^a |^al |^allo |^alla |^ai |^agli |^alle |^da |^dal |^dallo |^dalla |^dai |^dagli |^dalle |^in |^nel |^nello |^nella |^nei |^negli |^nelle |^con |^col |^coi |^su |^sul |^sullo |^sulla |^sui |^sugli |^sulle |^per " unk_tok = 9005 merge_th_1 = 0.8 merge_th_2 = 0.4 min_th = 0.5 def extract(text): text = text.strip() for mp in map_punct: text = text.replace(mp, map_punct[mp]) text = re.sub("\[\d+\]", "", text) for p in string.punctuation: text = text.replace(p, " " + p + " ") warn_flag = False res_total = [] out_text = "" for p_text in text.split("\n"): if p_text: toks = tokenizer.encode(p_text) if unk_tok in toks: warn_flag = True res_orig = ner(p_text, aggregation_strategy = "first") res_orig = [el for r, el in enumerate(res_orig) if len(el["word"].strip()) > 1] res = [] for r, ent in enumerate(res_orig): if len(res) > 0 and res[-1]["entity_group"] != "PER" and ent["score"] < merge_th_1 and ent["start"] <= res[-1]["end"] + 1 and ent["score"] <= res[-1]["score"]: res[-1]["word"] = res[-1]["word"] + " " + ent["word"] res[-1]["score"] = merge_th_1*(res[-1]["score"] > merge_th_2) res[-1]["end"] = ent["end"] elif r < len(res_orig) - 1 and res_orig[r+1]["entity_group"] != "PER" and ent["score"] < merge_th_1 and res_orig[r+1]["start"] <= ent["end"] + 1 and res_orig[r+1]["score"] > ent["score"]: res_orig[r+1]["word"] = ent["word"] + " " + res_orig[r+1]["word"] res_orig[r+1]["score"] = merge_th_1*(res_orig[r+1]["score"] > merge_th_2) res_orig[r+1]["start"] = ent["start"] else: res.append(ent) if len(res) > 1 and res[-1]["entity_group"] == res[-2]["entity_group"] and res[-1]["start"] <= res[-2]["end"] + 1: res[-2]["word"] = res[-2]["word"] + " " + res[-1]["word"] res[-2]["score"] = 0.5*(res[-1]["score"] + res[-2]["score"]) res[-2]["end"] = res[-1]["end"] res = [el for r, el in enumerate(res) if el["score"] >= min_th] for r, ent in enumerate(res): if ent["entity_group"] != "PER": res[r]["word"] = p_text[ent["start"]:ent["end"]] len_start = len(res[r]["word"]) res[r]["word"] = re.sub(preps, "", res[r]["word"]) len_end = len(res[r]["word"]) off = len_start - len_end if off: res[r]["start"] = res[r]["start"] + off dates = [{"entity_group": "DATE", "score": 1.0, "word": p_text[el.span()[0]:el.span()[1]], "start": el.span()[0], "end": el.span()[1]} for el in re.finditer(reg_date, p_text, flags = re.IGNORECASE)] res.extend(dates) res = sorted(res, key = lambda t: t["start"]) res_total.extend(res) chunks = [("", "", 0, "NONE")] for el in res: if maps[el["entity_group"]] != "NONE": tag = maps[el["entity_group"]] chunks.append((p_text[el["start"]: el["end"]], p_text[chunks[-1][2]:el["end"]], el["end"], tag)) if chunks[-1][2] < len(p_text): chunks.append(("END", p_text[chunks[-1][2]:], -1, "NONE")) chunks = chunks[1:] n_text = [] for i, chunk in enumerate(chunks): rep = chunk[0] if chunk[3] == "PER": rep = 'ᴘᴇʀ ' + chunk[0] + '' elif chunk[3] == "LOC": rep = 'ʟᴏᴄ ' + chunk[0] + '' elif chunk[3] == "ORG": rep = 'ᴏʀɢ ' + chunk[0] + '' elif chunk[3] == "MISC": rep = 'ᴍɪsᴄ ' + chunk[0] + '' elif chunk[3] == "DATE": rep = 'ᴅᴀᴛᴇ ' + chunk[0] + '' n_text.append(chunk[1].replace(chunk[0], rep)) n_text = "".join(n_text) if out_text: out_text = out_text + "
" + n_text else: out_text = n_text out_text = out_text.replace(" ,", ",").replace(" .", ".").replace(" :", ":").replace(" ;", ";").replace(" ' ", "'").replace("( ", "(").replace(" )", ")").replace(" !", "!").replace(" ?", "?") tags = [el["word"] for el in res_total if el["entity_group"] not in ['DATE', None]] cnt = Counter(tags) tags = sorted(list(set([el for el in tags if cnt[el] > 1])), key = lambda t: cnt[t]*np.exp(-tags.index(t)))[::-1] tags = [" ".join(re.sub("[^A-Za-z0-9\s]", "", unidecode(tag)).split()) for tag in tags] tags = ['ᴛᴀɢ ' + el + '' for el in tags] tags = " ".join(tags) if tags: out_text = out_text + "

Tags: " + tags if warn_flag: out_text = out_text + "

Warning ⚠️: Unknown tokens detected in text. The model might behave erratically" return out_text init_text = '''L'Agenzia spaziale europea, nota internazionalmente con l'acronimo ESA dalla denominazione inglese European Space Agency, è un'agenzia internazionale fondata nel 1975 incaricata di coordinare i progetti spaziali di 22 Paesi europei. Il suo quartier generale si trova a Parigi in Francia, con uffici a Mosca, Bruxelles, Washington e Houston. Il personale dell'ESA del 2016 ammontava a 2 200 persone (esclusi sub-appaltatori e le agenzie nazionali) e il budget del 2022 è di 7,15 miliardi di euro. Attualmente il direttore generale dell'agenzia è l'austriaco Josef Aschbacher, il quale ha sostituito il tedesco Johann-Dietrich Wörner il primo marzo 2021. Lo spazioporto dell'ESA è il Centre Spatial Guyanais a Kourou, nella Guyana francese, un sito scelto, come tutte le basi di lancio, per via della sua vicinanza con l'equatore. Durante gli ultimi anni il lanciatore Ariane 5 ha consentito all'ESA di raggiungere una posizione di primo piano nei lanci commerciali e l'ESA è il principale concorrente della NASA nell'esplorazione spaziale. Le missioni scientifiche dell'ESA hanno le loro basi al Centro europeo per la ricerca e la tecnologia spaziale (ESTEC) di Noordwijk, nei Paesi Bassi. Il Centro europeo per le operazioni spaziali (ESOC), di Darmstadt in Germania, è responsabile del controllo dei satelliti ESA in orbita. Le responsabilità del Centro europeo per l'osservazione della Terra (ESRIN) di Frascati, in Italia, includono la raccolta, l'archiviazione e la distribuzione di dati satellitari ai partner dell'ESA; oltre a ciò, la struttura agisce come centro di informazione tecnologica per l'intera agenzia. [...] L'Agenzia Spaziale Italiana (ASI) venne fondata nel 1988 per promuovere, coordinare e condurre le attività spaziali in Italia. Opera in collaborazione con il Ministero dell'università e della ricerca scientifica e coopera in numerosi progetti con entità attive nella ricerca scientifica e nelle attività commerciali legate allo spazio. Internazionalmente l'ASI fornisce la delegazione italiana per l'Agenzia Spaziale Europea e le sue sussidiarie.''' init_output = extract(init_text) with gr.Blocks(css="footer {visibility: hidden}", theme=gr.themes.Default(text_size="lg", spacing_size="lg")) as interface: with gr.Row(): gr.Markdown(header) with gr.Row(): text = gr.Text(label="Extract entities", lines = 10, value = init_text) with gr.Row(): with gr.Column(): button = gr.Button("Extract").style(full_width=False) with gr.Row(): with gr.Column(): entities = gr.Markdown(init_output) with gr.Row(): with gr.Column(): gr.Markdown("
The input examples in this demo are extracted from https://it.wikipedia.org
") button.click(extract, inputs=[text], outputs = [entities]) interface.launch()