-
Notifications
You must be signed in to change notification settings - Fork 2
/
deploy_models.py
231 lines (192 loc) · 8.7 KB
/
deploy_models.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
229
230
231
# встроенные модули
import math
import pickle
import re
import string
import numpy as np
from natasha import (
PER,
Doc,
MorphVocab,
NamesExtractor,
NewsEmbedding,
NewsMorphTagger,
NewsNERTagger,
Segmenter,
)
import warnings
warnings.filterwarnings(action="ignore")
# необходимые зависимости, но желательно еще иметь установленный sklearn
from nltk.corpus import stopwords
# класс предобработки текстовых данных
class PreprocessData:
def __init__(self):
# чистка списка стоп-слов
self.russian_stopwords = stopwords.words("russian")
words_to_del = ["хорошо"]
words_to_add = [
"rating",
"ооо",
"оао",
"ао",
"ра",
"пао",
"гк",
"ппк",
"зао",
"нкр",
"акр",
"акра",
"аналитик",
"компания",
"эксперт",
"рейтинг",
"агенство",
"млрд",
"руб",
"м",
"х",
"нпк",
"овк",
"г",
"гг",
"i",
"ii",
]
self.russian_stopwords.extend(words_to_add)
for w in words_to_del:
self.russian_stopwords.remove(w)
# эмбеддинги для Наташи
emb = NewsEmbedding()
# сегментеры и таг-выделители сущностей/морфем для анализа слов
self.segmenter = Segmenter()
self.morph_tagger = NewsMorphTagger(emb)
self.morph_vocab = MorphVocab()
self.names_extractor = NamesExtractor(self.morph_vocab)
self.ner_tagger = NewsNERTagger(emb)
# удаление всех компаний
def delete_company(self, s):
pattern = r"«.*?»"
return re.sub(pattern, "", s)
# удаление всех сайтов
def delete_sites(self, s):
sites = r"(?:https?:\/\/|ftps?:\/\/|www\.)\S"
emails = "([a-zA-Z0-9._-]+@[a-zA-Z0-9._-]+\.[a-zA-Z0-9_-]+)"
r = re.sub(sites, "", s)
return re.sub(emails, "~", r)
# удаление всей пунктуации
def delete_punkt(self, s):
return s.translate(str.maketrans("", "", string.punctuation + "«»—№–"))
# удаление всех чисел
def delete_digits(self, s):
return re.sub("[0-9]", "", s)
# удаление всех стоп-слов
def delete_stopwords(self, tokens, names):
without_stopwords = [t for t in tokens if t not in self.russian_stopwords and t not in names]
return " ".join(without_stopwords)
# нормализовация текстов
def normalized(self, text):
doc = Doc(text)
# сегментация и морфемный анализ
doc.segment(self.segmenter)
doc.tag_morph(self.morph_tagger)
lemmatized_sentence_list = []
# приведение к начальным формам
doc.tag_ner(self.ner_tagger)
for token in doc.tokens:
token.lemmatize(self.morph_vocab)
lemmatized_sentence_list.append(token.lemma)
# избавление от именновых сущностей (имена личностей)
names = []
for span in doc.spans:
if span.type == PER:
span.normalize(self.morph_vocab)
names.extend(span.normal.lower().split())
# удаление стоп-слов вместе с именами сразу
text = self.delete_stopwords(lemmatized_sentence_list, names)
return text
# предобработка
def preprocess(self, text):
text_without_company = self.delete_company(text)
text_without_sites = self.delete_sites(text_without_company)
text_without_punct = self.delete_punkt(text_without_sites)
text_without_digits = self.delete_digits(text_without_punct)
return self.normalized(text_without_digits)
def interpreted_model(user_text: string) -> tuple[str, float]:
# распаковка модели векторизации и модели регресси
with open("models/TF-IDF 3 n-grams.pkl", "rb") as vec_model, open("models/LinReg.pkl", "rb") as model:
vec_model = pickle.load(vec_model)
model = pickle.load(model)
# объявляем только один раз класс предобработки
PreData = PreprocessData()
# обработка строки пользователя
preprocessed_user_string = PreData.preprocess(user_text)
# векторизация строки
vector = vec_model.transform([preprocessed_user_string])
# предсказание на строке (одно число float)
prediction = model.predict(vector)
# словарь диапазонов значений числовой шкалы и шкалы уровней рейтинга
values_dict = {
0.0: "C",
0.04999999999999999: "C",
0.09999999999999998: "C",
0.14999999999999997: "B-",
0.19999999999999996: "B",
0.25: "B+",
0.3: "BB-",
0.35: "BB",
0.4: "BB+",
0.45: "BBB-",
0.5: "BBB",
0.55: "BBB+",
0.6: "A-",
0.65: "A",
0.7: "A+",
0.75: "AA-",
0.8: "AA",
0.8500000000000001: "AA+",
0.9: "AAA",
0.95: "AAA",
1.0: "AAA",
}
# ф-ция для восстановления уровня рейтинга по предсказанию
def return_rating_levels(value, error, values_dict):
for k, v in values_dict.items():
if abs(value - k) < error:
return v
# ф-ция для восстановления категории по предсказанию
def return_category_classes(value):
return value.strip("+-")
# ф-ция вычисления "уверенности" в предсказании
def compute_certanity(dist):
return np.clip(math.cos(dist / 31.9 * 1000), 0, 1)
# значение "уверенности" в предсказании
def get_class(prediction, values_dict):
"""
:param prediction: результат работы модели
:param values_dict: словарь весов
:return: возвращает два кортежа, каждый с детальным рейтингом и уверенностью в процентах
если второй и первый по уверенности рейтинги это AAA или C, возвращается только один кортеж
"""
# список ключей, отсортированных по их абсолютному отличию от n
sorted_keys = sorted(values_dict.keys(), key=lambda x: abs(x - prediction))
# ближайший ключ - это первый элемент в отсортированном списке
closest_key = sorted_keys[0]
# второй ближайший ключ - это второй элемент в отсортированном списке
second_closest_key = sorted_keys[1]
if values_dict[closest_key] == values_dict[second_closest_key]:
return (values_dict[closest_key], round(compute_certanity(closest_key - prediction) * 100, 2))
return ((values_dict[closest_key], round(compute_certanity(closest_key - prediction) * 100, 2)),)
(values_dict[second_closest_key], round(compute_certanity(second_closest_key - prediction) * 100, 2))
# диапазон отклонения/погрешности для восстановления уровня рейтинга
error = 0.025
# итоговый кортеж из четырех элементов
# 1: предсказанная моделью категория [string]
# 2: предсказанный моделью уровень рейтинга [string]
# 3: кортеж с одним/двумя ближайшими уровнями рейтинга вида tuple(уровень рейтинга[string], степень близости[float])
# 4: изначально полученное предсказанное значение [float] (вдруг понадобится)
b = return_rating_levels(prediction, error, values_dict)
a = return_category_classes(b)
c = get_class(prediction, values_dict)
prediction_tuple = (a, b, c)
return prediction_tuple[2]