Awesome Persian NLP/IR: 波斯语自然语言处理和信息检索资源大全

RayRay
波斯语NLP数据集模型工具资源Github开源项目

awesome-persian-nlp-ir

<h2>Awesome Persian NLP/IR: 波斯语自然语言处理和信息检索资源大全</h2>

Awesome

波斯语是世界上使用人数超过1亿的重要语言之一,在伊朗、阿富汗、塔吉克斯坦等国家广泛使用。随着自然语言处理(NLP)和信息检索(IR)技术的快速发展,针对波斯语的相关研究和应用也日益增多。然而,相比英语等主流语言,波斯语NLP和IR的资源仍然相对有限。为了促进这一领域的发展,GitHub用户mhbashari创建了名为"awesome-persian-nlp-ir"的开源项目,旨在全面收集和整理波斯语NLP和IR相关的工具、数据集、模型和研究资源,为从事相关研究与应用的开发者和研究人员提供便利。

<h3>项目概览</h3>

"awesome-persian-nlp-ir"项目是一个精选的资源列表,涵盖了波斯语NLP和IR领域的各个方面。该项目在GitHub上已获得超过700颗星和100多次分享,反映了其在相关领域的影响力。项目内容主要分为以下几个部分:

  1. 工具(Tools)
  2. 数据集(Datasets)
  3. 模型(Models)
  4. 代码仓库(Repositories)
  5. 论文和书籍(Papers and Books)

这种分类方式使得用户可以快速找到所需的资源。接下来,我们将详细介绍每个部分的主要内容。

<h3>工具</h3>

工具部分收集了各种用于波斯语文本处理和分析的软件工具,涵盖了NLP和IR的多个任务。以下是一些主要类别及代表性工具:

<h4>词性标注(Part-of-Speech Tagging)</h4>
  • farsiNLPTools:开源的波斯语依存句法分析、词性标注和文本规范化工具。
  • Hazm:波斯语NLP工具包,提供分词、词性标注、依存句法分析等功能。
<h4>语言检测(Language Detection)</h4> <h4>分词和分句(Tokenization & Segmentation)</h4> <h4>文本规范化和清理(Normalizer And Text Cleaner)</h4>
  • virastar:波斯语文本清理工具,可以处理标点、数字、空格等问题。
  • Parsivar:波斯语语言处理工具包,包含半角空格规范化等功能。
<h4>词干提取(Stemmer)</h4>
  • PersianStemmer:基于模式匹配的波斯语词干提取算法,有Java、Python等多种实现。
<h4>拼写检查(Spell Checking)</h4>
  • async_faspell:波斯语拼写检查器,可以为拼错的词提供建议。

这些工具为波斯语文本的预处理和基础NLP任务提供了很好的支持。研究人员和开发者可以根据自己的需求选择合适的工具。

<h3>数据集</h3>

高质量的数据集是NLP和IR研究的基础。"awesome-persian-nlp-ir"项目收集了大量波斯语语料库和标注数据集,涵盖了多个任务领域:

<h4>词性标注语料库</h4>
  • Bijankhan Corpus:包含约260万手工标注词语的波斯语语料库,涵盖40个词性标签。
  • Mojgan Seraji Corpus:乌普萨拉波斯语语料库(UPC),包含270万标记和31个词性标签。
<h4>命名实体识别数据集</h4>
  • ArmanPersoNERCorpus:包含25万词语的波斯语命名实体识别数据集,采用IOB格式标注。
  • FarsiYar PersianNER:基于波斯语维基百科的大规模命名实体识别数据集,包含约2500万词语。
<h4>情感分析数据集</h4>
  • DeepSentiPers:波斯语情感分析数据集,包含多种深度学习模型。
  • SentiPers:多级别标注的波斯语情感分析数据集。
<h4>问答数据集</h4>
  • PersianQA:基于波斯语维基百科的阅读理解数据集,包含9000多个问答对。
<h4>平行语料库</h4>

这些数据集为波斯语NLP和IR的各项任务提供了宝贵的训练和评估资源。研究人员可以根据具体任务选择合适的数据集进行实验。

<h3>模型</h3>

预训练模型是现代NLP的重要组成部分。"awesome-persian-nlp-ir"项目收集了多个针对波斯语的预训练模型:

<h4>命名实体识别</h4>
  • ParsBERT-NER:基于ParsBERT在PEYMA和ARMAN数据集上微调的命名实体识别模型。
<h4>文本分类</h4>
  • ParsBERT DigiMag:基于ParsBERT的波斯语文本分类模型,在DigiMag数据集上训练。
<h4>情感分析</h4> <h4>文本摘要</h4>
  • BERT2BERT:基于ParsBERT的波斯语文本摘要模型,在Wiki Summary数据集上训练。
<h4>问答系统</h4> <h4>语言模型</h4>
  • ParsBERT:针对波斯语的BERT预训练语言模型,在200多万文档的大规模语料库上训练。
  • ALBERT-Persian:波斯语版本的ALBERT模型,在390万文档、13亿词的语料库上训练。

这些预训练模型为波斯语NLP任务提供了良好的起点,研究人员可以在此基础上进行进一步的微调和应用。

<h3>代码仓库</h3>

除了上述工具、数据集和模型外,"awesome-persian-nlp-ir"项目还收集了许多有价值的开源代码仓库,涵盖了各种波斯语NLP和IR任务的实现。这些代码仓库为研究人员提供了参考实现和基线系统,有助于加速相关研究的进展。

<h3>论文和书籍</h3>

为了帮助研究人员掌握波斯语NLP和IR的最新进展,"awesome-persian-nlp-ir"项目还整理了大量相关的学术论文和专著。这些文献资源涵盖了理论研究、算法创新、应用实践等多个方面,为研究人员提供了宝贵的知识来源。

<h3>结语</h3>

"awesome-persian-nlp-ir"项目为波斯语自然语言处理和信息检索领域提供了一个全面而有价值的资源集合。无论是刚接触这一领域的新手,还是经验丰富的研究人员,都可以在这个项目中找到有用的工具、数据和参考资料。随着项目的不断更新和社区的积极贡献,相信它将继续推动波斯语NLP和IR技术的发展,为更多语言和文化的数字化和信息化做出贡献。

对于有兴趣深入了解和贡献该项目的读者,可以访问项目的GitHub页面:awesome-persian-nlp-ir。同时,也欢迎波斯语NLP和IR领域的研究者和开发者积极参与,为这个开源项目贡献自己的力量,共同推动这一领域的发展。

Image 3: CC0

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多