from LAC import LAC

# Загрузка модели сегментации
lac = LAC(mode='seg')

# Одиночный образец входных данных, входные данные представлены Unicode-кодированной строкой
text = u'ЛАЦ — отличный инструмент для сегментации'
seg_result = lac.run(text)

# Батч образцов входных данных, входные данные представлены списком предложений, средняя скорость будет выше
texts = [u'ЛАЦ — отличный инструмент для сегментации', u'Байду — высокотехнологичная компания']
seg_result = lac.run(texts)

- Пример кода:
```python
from LAC import LAC
```# Загрузка модели LAC
lac = LAC(mode='lac')

# Ввод одного образца, входные данные в виде Unicode-кодированной строки
text = u"LAC является отличным инструментом для лемматизации"
lac_result = lac.run(text)

# Ввод нескольких образцов, входные данные в виде списка предложений, средняя скорость выше
texts = [u"LAC является отличным инструментом для лемматизации", u"Baidu - это высокотехнологичная компания"]
lac_result = lac.run(texts)

[один образец]: lac_result = ([LAC, является, отличным, инструментом, для, лемматизации], [nz, v, a, n, p, n])
[несколько образцов]: lac_result = [
                    ([LAC, является, отличным, инструментом, для, лемматизации], [nz, v, a, n, p, n]),
                    ([Baidu, является, высокотехнологичной, компанией], [ORG, v, a, n])
                ]

from LAC import LAC

# Загрузка модели важности слов
lac = LAC(mode='rank')

# Ввод одного образца, входные данные в виде Unicode-кодированной строки
text = u"LAC является отличным инструментом для лемматизации"
rank_result = lac.run(text)

# Ввод нескольких образцов, входные данные в виде списка предложений, средняя скорость выше
texts = [u"LAC является отличным инструментом для лемматизации", u"Baidu — это высокотехнологичная компания"]
rank_result = lac.run(texts)

Словарь важности слов представлен в следующей таблице, мы используем 4-уровневую градацию для классификации:

| Тег | Описание                         | Частота встречаемости |
| --- | -------------------------------- | ---------------------- |
| 0   | Избыточные слова в запросе      | p, w, xc ...          |
| 1   | Слабо ограничивающие слова в запросе | r, c, u ...           |
| 2   | Сильно ограничивающие слова в запросе | n, s, v ...           |
| 3   | Ключевые слова в запросе         | nz, nw, LOC ...       |### Пользовательская настройка

На основе вывода модели, LAC также поддерживает конфигурирование пользователем специализированного разбиения на токены и типов собственных названий. Когда модель прогнозирует совпадение с элементами словаря, она заменяет исходный результат на пользовательски настроенный. Для достижения более точной совместимости мы поддерживаем использование длинных фрагментов, состоящих из нескольких слов, как одного элемента.

Мы реализуем эту функцию путём загрузки файла словаря, где каждая строка представляет собой один настраиваемый элемент, составленный из одного или нескольких последовательных слов, каждый из которых следует за меткой '/'. Если метки '/' отсутствуют, используется стандартная метка модели. Чем больше слов содержится в элементе, тем более точно он будет влиять на результат.

- Пример файла словаря

  > Здесь приведён пример, демонстрирующий различные случаи использования. В будущем будут доступны методы конфигурации словарей с использованием шаблонов, ожидайте анонса.
```text
весна/СЕЗОН
цвет/n расцвести/v
осеннего ветра
заход солнца

from LAC import LAC
lac = LAC()

# Загрузка пользовательского словаря, параметр sep указывает разделитель в файле словаря, если None, используются пробел или табуляция '\t'
lac.load_customization('custom.txt', sep=None)
```# Результат после применения пользовательского словаря
custom_result = lac.run(u"весна цветёт осень ветер зимний закат солнца")

---

- Пример входных данных "весна цветёт осень ветер зимний закат солнца", исходный результат был бы следующим:

```text
весна/ВРЕМЯ цветёт/v осень/ВРЕМЯ ветер/n зимний/v закат/s солнца/n

весна/СЕЗОН цвет/n расцвести/v осеннего ветра/n зимний/v закат/s солнца/n

LAC это хороший инструмент для токенизации.
Baidu это высокотехнологическая компания.
Весна цветёт осень ветер зимний закат солнца.

from LAC import LAC

# Выбор использования модели для токенизации
lac = LAC(mode='seg')

# Обучающая и тестовая выборка, имеют одинаковый формат
train_file = "./data/seg_train.tsv"
test_file = "./data/seg_test.tsv"
lac.train(model_save_dir='./my_seg_model/', train_data=train_file, test_data=test_file)
```# Использование обученной модели
my_lac = LAC(model_path='my_seg_model')

LAC/nz является/v словом/q хорошим/a слова/v .w
Baidu/ORG является/v компанией/m высокотехнологичной/n компании/n .w
Весна/TIME имеет/u цветение/v осень/TIME имеет/u ветер/n а также/c зима/TIME имеет/u закат/n .w

from LAC import LAC

# Выбор использования стандартной модели для лингвистической обработки текста
lac = LAC()

# Обучающая и тестовая выборка, имеют одинаковый формат
train_file = "./data/lac_train.tsv"
test_file = "./data/lac_test.tsv"
lac.train(model_save_dir='./my_lac_model/', train_data=train_file, test_data=test_file)

# Использование обученной модели
my_lac = LAC(model_path='my_lac_model')

.
├── python                      # Скрипты для вызова из Python
├── c++                         # Код для вызова из C++
├── java                        # Код для вызова из Java
├── Android                     # Примеры вызова из Android
├── README.md                   # Данный файл
└── CMakeList.txt               # Скрипт компиляции для C++ и Java
```## Цитирование LAC в научных работах

Если ваша научная работа использует LAC, пожалуйста, добавьте следующее цитирование. Мы очень рады, что LAC помогает вам в ваших исследованиях.

```text
@article{jiao2018LAC,
    title={Лингвистическая обработка текста с использованием глубоких двунаправленных сетей GRU-CRF},
    author={Джiao, Чженю и Сунь, Шуци и Сунь, Кэ},
    journal={arXiv preprint arXiv:1807.01882},
    year={2018},
    url={https://arxiv.org/abs/1807.01882}
}