Model

Module Contents

class Model(model_name, description, author, path, __analyzer_rules_set)
__model_name =
__description =
__author =
__path =
__analyzer_rules_set = []
__reference
__loaded = False
get_model_name(self)
get_description(self)
get_author(self)
get_path(self)
get_analyser_rules_set(self)
set_model_name(self, model_name)
set_description(self, description)
set_reference(self, reference)
is_loaded(self)
load(self)

Setea al modelo como cargado.

__process_tokenizer_results(self, doc, only_positives=False)

Procesa los resultados del analisis de un texto almacenados en un doc de spacy en función de los resultados del tokenizer.

Doc:[SpacyDoc] - Documento con los resultado del analisis de spacy.
Only_positives:[boolean] - Si esta activado, solo se devulven los resultados positivos.
Returns:[List(Dict)] - Lista con los resultados del analisis del tokenizer.
__process_ner_results(self, doc)

Procesa los resultados del analisis de un texto almacenados en un doc de spacy en función de los resultados del NER.

Doc:[SpacyDoc] - Documento con los resultado del analisis de spacy.
Returns:[List(Dict)] - Lista con los resultados del analisis del NER
analyse_text(self, text, only_positives=False)

Analiza el texto deseado.

Text:[String] - Texto a analizar
Only_positives:[Boolean] - Si esta activado solo se devulven los resultados positivos
Returns:[Dict()] - Resultados del análisis.
add_tokenizer_rule_set(self, rule_set)

Agrega una regla al modelo. El modelo debe estar inicializado.

Rule_set:[Dict] - Regla agregar al tokenizer del modelo.
train_model(self, training_data)

Aplica los ejemplos de entrenamiento al entrenamiento del modelo.

Training_data:[List(Dict)] - Lista de ejemplos de entrenamiento.
Returns:[boolean] - True si el entrenamiento fue exitoso, False en caso contrario.
to_dict(self)

Retorna un diccionario con la información del modelo.

Returns:[Dict] - Diccionario con los datos del modelo.
__eq__(self, other)

Sobreescribe metodo equals de la clase.