-
Notifications
You must be signed in to change notification settings - Fork 2
/
preprocessing.py
228 lines (197 loc) · 8.2 KB
/
preprocessing.py
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
import re
import json
from pyvi import ViTokenizer
re_thuchientheo = re.compile(
r"((((được\s)?thực hiện theo qu[iy] định tại\s|hướng dẫn tại\s|theo qu[iy] định tại\s|(được\s)?thực hiện theo\s|theo qu[iy] định tại\s|theo nội dung qu[yi] định tại\s|quy[iy] định tại|theo\s)(các\s)?)?|tại\s(các\s)?)(khoản(\ssố)?\s(\d+\,\s)*\d+|điều(\ssố)?\s(\d+\,\s)*\d+|điểm\s(([a-z]|đ)\,\s)*([a-z]|đ)\b|chương(\ssố)?\s(\d+\,\s)*\d+)((\s|\,\s|\s\,\s|\svà\s)(khoản(\ssố)?\s(\d+\,\s)*\d+|điều(\ssố)?\s(\d+\,\s)*\d+|điểm\s(([a-z]|đ)\,\s)*([a-z]|đ)\b|chương(\ssố)?\s(\d+\,\s)*\d+))*(\s(điều này|thông tư này|nghị quyết này|quyết định này|nghị định này|văn bản này|quyết định này))?"
)
re_thongtuso = re.compile(
r"(thông tư liên tịch|thông tư|nghị quyết|quyết định|nghị định|văn bản)\s(số\s)?(([a-z0-9]|đ|\-)+\/([a-z0-9]|đ|\-|\/)*)"
)
re_ngay = re.compile(r"ngày\s\d+\/\d+\/\d+\b|ngày\s\d+tháng\d+năm\d+")
re_thang_nam = re.compile(r"tháng\s\d+\/\d+|tháng\s\d+|năm\s\d+")
re_chuong = re.compile(
r"chương\s(iii|ii|iv|ix|viii|vii|vi|xi|xii|xiii|xiv|xix|xviii|xvii|xvi|xv|xx|v|x|i|xxiii|xxii|xxi|xxiv|xxviii|xxvii|xxvi|xxv|xxix|xxx)\b"
)
END_PHRASES = [
"có đúng không",
"đúng không",
"được không",
"hay không",
"được hiểu thế nào",
"được quy định cụ thể là gì",
"được quy định như thế nào",
"được quy định thế nào",
"được quy định như nào",
"trong trường hợp như nào",
"trong trường hợp như thế nào",
"trong trường hợp nào",
"trong những trường hợp nào",
"được hiểu như thế nào",
"được hiểu như nào",
"như thế nào",
"thế nào",
"như nào",
"là gì",
"là ai",
"là bao nhiêu",
"bao nhiêu",
"trước bao lâu",
"là bao lâu",
"bao lâu",
"bao gồm gì",
"không",
"bao gồm những gì",
"vào thời điểm nào",
"gồm những giấy tờ gì",
"những yêu cầu nào",
]
def remove_dieu_number(text):
text = re_thuchientheo.sub(" ", text)
text = re_thongtuso.sub(" ", text)
text = re_ngay.sub(" ", text)
text = re_thang_nam.sub(" ", text)
text = re_chuong.sub(" ", text)
return " ".join(text.split())
def remove_other_number_by_zero(text):
for digit in ["0", "1", "2", "3", "4", "5", "6", "7", "8", "9"]:
text = text.replace(digit, "0")
return text
def remove_punct(text):
text = text.replace(";", ",").replace(":", ".").replace("“", " ").replace("”", " ")
text = "".join(
[
c
if c.isalpha() or c.isdigit() or c in [" ", ",", "(", ")", ".", "/", "-"]
else " "
for c in text
]
)
text = " ".join(text.split())
return text
def preprocess_article_title(article_title):
article_title = article_title.lower()
article_title = " ".join(article_title.split()[2:]) # Dieu 1.
article_title = remove_dieu_number(article_title)
article_title = remove_other_number_by_zero(article_title)
article_title = remove_punct(article_title)
return article_title
def preprocess_khoan(khoan):
khoan = khoan.lower()
matched = re.match(r"^\d+\.(\d+\.?)?\s", khoan) # 1. 2.2. 2.2
if matched is not None:
khoan = khoan[matched.span()[1]:].strip()
else:
matched2 = re.match(r"^[\wđ]\)\s", khoan)
if matched2 is not None:
khoan = khoan[matched2.span()[1]:].strip()
khoan = remove_dieu_number(khoan)
khoan = remove_other_number_by_zero(khoan)
khoan = remove_punct(khoan)
return " ".join(khoan.split())
def preprocess_question(q, remove_end_phrase=True):
q = q.lower()
q = remove_dieu_number(q)
q = "".join([c if c.isalpha() or c.isdigit() or c == " " else " " for c in q])
q = remove_punct(q)
if remove_end_phrase:
for phrase in END_PHRASES:
if q.endswith(phrase):
q = q[: -len(phrase)]
break
return q.strip()
def tokenize_text(text):
return ViTokenizer.tokenize(text)
punc = """!"#$%&'()*+,-./:;<=>?@[\]^`{|}~""" # noqa: W605
table = str.maketrans("", "", punc)
def clean_text(text):
words = text.lower().split()
result = [w.translate(table) for w in words]
stripped = " ".join(result)
result = " ".join(stripped.split())
return result
def clean_train_data(data):
# clean data
for entry in data:
entry["question"] = preprocess_question(
entry["question"], remove_end_phrase=False
)
for article in entry["relevant_articles"]:
article["title"] = preprocess_article_title(article["title"])
cac_khoan = article["text"].split("\n")
khoan_clean = []
for khoan in cac_khoan:
khoan = preprocess_khoan(khoan)
khoan_clean.append(khoan.strip())
article["text"] = " ".join(khoan_clean)
for article in entry["non_relevant_articles"]:
cac_khoan = article["text"].split("\n")
khoan_clean = []
for khoan in cac_khoan:
khoan = preprocess_khoan(khoan)
khoan_clean.append(khoan.strip())
article["text"] = " ".join(khoan_clean)
# tokenize data for phobert
for entry in data:
entry["question"] = clean_text(tokenize_text(entry["question"]))
for article in entry["relevant_articles"]:
article["title"] = clean_text(tokenize_text(article["title"]))
article["text"] = clean_text(tokenize_text(article["text"]))
for article in entry["non_relevant_articles"]:
article["title"] = clean_text(tokenize_text(article["title"]))
article["text"] = clean_text(tokenize_text(article["text"]))
return data
def clean_test_data(data):
# clean data
for entry in data:
entry["question"] = preprocess_question(
entry["question"], remove_end_phrase=False
)
for article in entry["articles"]:
article["title"] = preprocess_article_title(article["title"])
cac_khoan = article["text"].split("\n")
khoan_clean = []
for khoan in cac_khoan:
khoan = preprocess_khoan(khoan)
khoan_clean.append(khoan.strip())
article["text"] = " ".join(khoan_clean)
# tokenize data for phobert
for entry in data:
entry["question"] = clean_text(tokenize_text(entry["question"]))
for article in entry["articles"]:
print(article["title"])
print(tokenize_text(article["title"]))
article["title"] = clean_text(tokenize_text(article["title"]))
article["text"] = clean_text(tokenize_text(article["text"]))
return data
if __name__ == "__main__":
import argparse
parser = argparse.ArgumentParser()
parser.add_argument("-s", "--step", type=str, required=True)
args = parser.parse_args()
step = args.step
if step == "train":
with open(
"./data/train_data_elasticsearch.json", "r", encoding="utf-8"
) as f_train:
train_data = json.load(f_train)
train_data = clean_train_data(train_data)
with open("./data/train_data_model.json", "w", encoding="utf-8") as f_train:
json.dump(train_data, f_train, ensure_ascii=False, indent=4)
elif step == "test":
with open(
"./data/test_data_elasticsearch.json", "r", encoding="utf-8"
) as f_test:
test_data = json.load(f_test)
test_data = clean_test_data(test_data)
with open("./data/test_data_model.json", "w", encoding="utf-8") as f_test:
json.dump(test_data, f_test, ensure_ascii=False, indent=4)
elif step == "test_private":
with open(
"./data/test_private_data_elasticsearch.json", "r", encoding="utf-8"
) as f_test:
test_data = json.load(f_test)
test_data = clean_test_data(test_data)
with open(
"./data/test_private_data_model.json", "w", encoding="utf-8"
) as f_test:
json.dump(test_data, f_test, ensure_ascii=False, indent=4)