🔫 @gajusaekawushu6049 кикнут — вернуть этого пользователя можно только разбаном в настройках чата.

Проголосовавшие за кик:
@LoneGeek, @bakhankov, @dexker, @oleg_mosalov, @mshnya
Powered by Todorant

Винда? Лучше запускать на линуксе (можно в докере)

Ну да,это создаётся экземпляр класса Mystem, называется,и теперь можно вызывать его методы,и в них в скобочки пихать что угодно.

какой сейчас самый точный PoS есть для ru?

Уже перешёл на Бубунту, да.

Спасибо!

крутая штука Natasha) спасибо. как раз для CPU то, что надо. Жаль что gpu не сильно быстро в NLP умеет.

Кстати, для CPU нынче есть ещё spacy-ru 2.3 , которого нет в этом сравнении (там старая версия). Правда, точность POS как и у всех сильно плавает от домена.

Не пойму, как natasha запустить через докер чтобы через  api server запросы делать, есть готовое решение?

а где-то есть список в каких именно предложениях из датасета были ошибки в ner ?

Примеры https://github.com/natasha/nerus#ner

На практике такое только для метатегов можно будет применить.

Мне кажется что gpt2 можно использовать как рекомендательную систему. Продукт А сочетается с Б и Ж. А если кормить не только названиями и картинками, а множеством атрибутов и процентом покупок, то получаем систему, которая может посоветовать что-то подходящее, но отдаленное из другого товарного кластера.

А зачем гпт2 тут?

Для того чтобы сразу и описания рекомендаций генерил как модный ведущий, без костылей:)) но если без шуток, то почему бы и нет, данных то полно

Без костылей не будет

Это скорее будет процедурная генерация

Ее можно сделать. Но будет слишком топорно. Для хорошего сео нужен хороший текст как от живого эксперта

Ребят, подскажите, может у кого-то была подобная задача:
В huggingface в generate есть bad_words_ids, чтобы запретить генерировать конкретные слова, но нет параметра, чтобы заставить генерировать конкретные слова в предложении. Хотелось бы с помощью Natasha искать NERом слова, которые нельзя в предложении менять и скармливать их в generate, чтобы они точно были в получившемся предложении
Есть какие-нибудь более красивые решения, чем фильтр по 100500 результатам от generate? Может особая функция ошибки, которая наказывает модель за дропнутые нужные слова? Возможно какой-то небинарный (а на отрезке) attention? Заранее спасибо)