{ "cells": [ { "cell_type": "code", "execution_count": 1, "metadata": {}, "outputs": [], "source": [ "import json\n", "import pandas as pd\n", "from tqdm.auto import tqdm\n", "tqdm.pandas()\n", "import numpy as np\n", "from glob import glob \n", "import re \n", "from nltk import word_tokenize as lib_tokenizer \n", "import math" ] }, { "cell_type": "code", "execution_count": 2, "metadata": {}, "outputs": [], "source": [ "df = pd.read_csv(\"../data/processed/wikipedia_20220620_cleaned_v2.csv\")\n", "train = json.load(open(\"../data/raw/e2eqa-train+public_test-v1/zac2022_train_merged_final.json\"))" ] }, { "cell_type": "code", "execution_count": 3, "metadata": {}, "outputs": [], "source": [ "for x in train['data']:\n", " x['dirty_text'] = None" ] }, { "cell_type": "code", "execution_count": 4, "metadata": {}, "outputs": [ { "data": { "text/plain": [ "{'Trang Chính': True,\n", " 'Internet Society': True,\n", " 'Tiếng Việt': True,\n", " 'Ohio': True,\n", " 'California': True,\n", " 'Thụy Điển': True,\n", " 'Thành phố Hồ Chí Minh': True,\n", " 'Lào Cai': True,\n", " 'W3C': True,\n", " 'Bộ Kế hoạch và Đầu tư (Việt Nam)': True,\n", " 'Lào': True,\n", " 'Hoa Kỳ': True,\n", " 'Hà Giang': True,\n", " 'Cao Bằng': True,\n", " 'Iraq': True,\n", " 'Hà Nội': True,\n", " 'Campuchia': True,\n", " 'VIQR': True,\n", " 'Việt Nam Cộng hòa': True,\n", " 'Sacramento, California': True,\n", " 'Los Angeles': True,\n", " 'San Francisco': True,\n", " 'San Diego': True,\n", " 'Người Mỹ gốc Việt': True,\n", " 'Giấy phép Tài liệu Tự do GNU': True,\n", " 'Lý Thường Kiệt': True,\n", " 'Quang Trung': True,\n", " 'Hồ Biểu Chánh': True,\n", " 'Bắc Kạn': True,\n", " 'Lạng Sơn': True,\n", " 'A': True,\n", " 'B': True,\n", " 'C': True,\n", " 'D': True,\n", " 'E': True,\n", " 'F': True,\n", " 'G': True,\n", " 'H': True,\n", " 'I': True,\n", " 'J': True,\n", " 'K': True,\n", " 'L': True,\n", " 'M': True,\n", " 'N': True,\n", " 'O': True,\n", " 'P': True,\n", " 'Q': True,\n", " 'R': True,\n", " 'S': True,\n", " 'T': True,\n", " 'U': True,\n", " 'V': True,\n", " 'W': True,\n", " 'X': True,\n", " 'Y': True,\n", " 'Z': True,\n", " 'Tuyên Quang': True,\n", " 'Unicode': True,\n", " '2003': True,\n", " 'Thăng Long': True,\n", " 'Lý Thái Tổ': True,\n", " 'Tiến quân ca': True,\n", " 'Đức': True,\n", " 'Liên Hợp Quốc': True,\n", " 'Trần Hưng Đạo': True,\n", " 'Hamid Karzai': True,\n", " 'Hoa (định hướng)': True,\n", " 'Tiếng Thụy Điển': True,\n", " 'Chiến tranh Việt Nam': True,\n", " 'New Orleans': True,\n", " 'Ngọc Lân': True,\n", " 'Ngọc Lan (định hướng)': True,\n", " '26 tháng 1': True,\n", " 'Tiếng Anh': True,\n", " 'Canada': True,\n", " 'Đài Tiếng nói Hoa Kỳ': True,\n", " 'Tháng 1 năm 2004': True,\n", " '1954': True,\n", " 'Đ': True,\n", " 'Trần Đức Lương': True,\n", " 'Québec': True,\n", " 'Saskatchewan': True,\n", " 'Đảo Hoàng tử Edward': True,\n", " 'Ontario': True,\n", " 'Manitoba': True,\n", " 'Newfoundland và Labrador': True,\n", " 'New Brunswick': True,\n", " 'British Columbia': True,\n", " 'Vancouver': True,\n", " 'Alberta': True,\n", " 'Nova Scotia': True,\n", " 'Anh': True,\n", " 'Ottawa': True,\n", " 'Bắc Mỹ': True,\n", " 'Nga': True,\n", " 'Labrador': True,\n", " 'Linux': True,\n", " 'Huế': True,\n", " 'Võ Nguyên Giáp': True,\n", " 'Chữ Nôm': True,\n", " 'Tháng 2 năm 2004': True,\n", " '19 tháng 3': True,\n", " '20 tháng 3': True,\n", " '21 tháng 3': True,\n", " '22 tháng 3': True,\n", " 'Tháng ba': True,\n", " '23 tháng 3': True,\n", " '24 tháng 3': True,\n", " 'Vương quốc Anh (1707–1800)': True,\n", " '25 tháng 3': True,\n", " '26 tháng 3': True,\n", " '27 tháng 3': True,\n", " '28 tháng 3': True,\n", " '29 tháng 3': True,\n", " 'Chủ nhật': True,\n", " 'Lá cờ Ohio': True,\n", " 'Tháng tư': True,\n", " '3 tháng 4': True,\n", " '4 tháng 4': True,\n", " '5 tháng 4': True,\n", " 'Tháng 3 năm 2004': True,\n", " 'VN': True,\n", " 'Bách khoa toàn thư': True,\n", " '9 tháng 4': True,\n", " '10 tháng 4': True,\n", " '11 tháng 4': True,\n", " '12 tháng 4': True,\n", " '13 tháng 4': True,\n", " '14 tháng 4': True,\n", " '15 tháng 4': True,\n", " 'Hóa học': True,\n", " '16 tháng 4': True,\n", " 'Ngô Đình Diệm': True,\n", " 'Máy tính': True,\n", " 'Yên Bái': True,\n", " '20 tháng 4': True,\n", " 'Đà Nẵng': True,\n", " '21 tháng 4': True,\n", " '22 tháng 4': True,\n", " '23 tháng 4': True,\n", " 'Firefox': True,\n", " 'Nguyễn Du': True,\n", " 'CJKV': True,\n", " 'VISCII': True,\n", " '29 tháng 4': True,\n", " 'Cần Thơ': True,\n", " 'GNU': True,\n", " 'Tam giác': True,\n", " 'Internet': True,\n", " 'Hello world': True,\n", " 'Heli': True,\n", " 'Từ viết tắt từ chữ đầu': True,\n", " 'Berkeley Software Distribution': True,\n", " 'FreeBSD': True,\n", " 'Tháng 4 năm 2004': True,\n", " 'Khoa học Trái Đất': True,\n", " 'Việt ngữ (định hướng)': True,\n", " 'PHP': True,\n", " 'Wiki': True,\n", " 'Tiêu chuẩn quốc gia (Việt Nam)': True,\n", " 'Java (công nghệ)': True,\n", " 'Tòa án Công lý Quốc tế': True,\n", " 'Sun Microsystems': True,\n", " 'OpenOffice.org': True,\n", " 'Chương trình Phát triển của Liên Hợp Quốc': True,\n", " '22 tháng 1': True,\n", " 'Việt Minh': True,\n", " 'Thuyết Truman': True,\n", " 'Advanced Micro Devices': True,\n", " 'Pin sạc': True,\n", " 'Edmonton': True,\n", " 'Luxeon': True,\n", " 'Philips Lumileds Lighting': True,\n", " 'Winamp': True,\n", " 'Xích lô': True,\n", " 'Hamasaki Ayumi': True,\n", " 'Amuro Namie': True,\n", " 'Java Platform, Standard Edition': True,\n", " 'Lập trình viên': True,\n", " 'Hạt nhân Linux': True,\n", " 'UniKey': True,\n", " 'Văn Tiến Dũng': True,\n", " 'Đồng Nai': True,\n", " 'Tiếng Nga': True,\n", " 'Quân đội nhân dân Việt Nam': True,\n", " 'Chiến tranh Đông Dương': True,\n", " 'Chiến tranh Vùng Vịnh': True,\n", " 'Phạm Văn Đồng': True,\n", " 'Liên bang Đông Dương': True,\n", " 'World Wide Web': True,\n", " 'Giê-su': True,\n", " 'Quảng Nam': True,\n", " 'Giang Trạch Dân': True,\n", " 'Wikipedia': True,\n", " 'Bỉ': True,\n", " 'Toán học': True,\n", " 'Khoa học tự nhiên': True,\n", " 'Hình học': True,\n", " 'Quốc gia': True,\n", " 'Địa lý': True,\n", " 'Cơ học cổ điển': True,\n", " 'Hóa hữu cơ': True,\n", " 'Nguyễn Văn Thiệu': True,\n", " 'George W. Bush': True,\n", " 'Nội chiến Congo thứ hai': True,\n", " 'Thống kê': True,\n", " 'Chiến tranh thời cổ đại': True,\n", " 'Sinh thái học': True,\n", " 'Ngô Quyền': True,\n", " 'Gangnihessou': True,\n", " 'HTML': True,\n", " 'XHTML': True,\n", " 'Phong trào Chữ thập đỏ và Trăng lưỡi liềm đỏ quốc tế': True,\n", " 'Vật lý học': True,\n", " 'Quần đảo Trường Sa': True,\n", " 'Quần đảo Hoàng Sa': True,\n", " 'Thiên văn học': True,\n", " 'Vovinam': True,\n", " 'Cornhole': True,\n", " 'Nhắn tin tức thời': True,\n", " 'Tam Quốc (Triều Tiên)': True,\n", " 'Nguyên tố': True,\n", " 'Phan Văn Khải': True,\n", " 'Lợn biển': True,\n", " 'Hành tinh': True,\n", " 'Montréal': True,\n", " 'Hình vuông': True,\n", " 'Kính viễn vọng không gian Hubble': True,\n", " 'Nha Trang': True,\n", " 'Klaipėda': True,\n", " 'Trung Quốc': True,\n", " 'Mạng riêng ảo': True,\n", " 'Mạng máy tính': True,\n", " 'Hệ quản trị nội dung': True,\n", " 'Sinh học tế bào': True,\n", " 'Nguyễn Trãi': True,\n", " 'Thực vật học': True,\n", " 'Phân loại học': True,\n", " 'Công nghệ': True,\n", " 'Chia cắt Ấn Độ': True,\n", " 'Sao Kim': True,\n", " 'Sao Hỏa': True,\n", " 'Nam quốc sơn hà': True,\n", " 'Red Deer, Alberta': True,\n", " 'Hệ Mặt Trời': True,\n", " 'Oradea': True,\n", " 'Trái Đất': True,\n", " 'Sao Mộc': True,\n", " 'Cơ học': True,\n", " 'Khí tượng học': True,\n", " 'Kế toán': True,\n", " 'Sao Thổ': True,\n", " 'Hoàng đế': True,\n", " 'Moresnet': True,\n", " 'KDE': True,\n", " 'Người Tày': True,\n", " 'Sinh học': True,\n", " 'Tế bào': True,\n", " 'Hóa phân tích': True,\n", " 'Hóa vô cơ': True,\n", " 'Hóa dầu': True,\n", " 'Cân bằng nội môi': True,\n", " 'Cây phát sinh chủng loại': True,\n", " 'Sinh học phân tử': True,\n", " 'Di truyền học': True,\n", " 'Lĩnh Nam': True,\n", " 'Hydrocarbon': True,\n", " 'Phản ứng trùng ngưng': True,\n", " 'Alcohol': True,\n", " 'Nhân Chứng Giê-hô-va': True,\n", " 'Ngôn ngữ lập trình': True,\n", " 'Tổng sản lượng quốc gia': True,\n", " 'GDP (định hướng)': True,\n", " 'Tiệp': True,\n", " 'Hà Lan': True,\n", " 'Frankfurt am Main': True,\n", " 'Sinh lý học': True,\n", " 'Giải phẫu học': True,\n", " 'Tập tính học': True,\n", " 'Truyện Kiều': True,\n", " 'Tản Đà': True,\n", " 'Tết Nguyên Đán': True,\n", " 'Lịch sử Việt Nam': True,\n", " 'Người Việt': True,\n", " 'Dầu mỏ': True,\n", " 'Việt': True,\n", " 'Kim Vân Kiều': True,\n", " 'Kinh': True,\n", " 'Tổ chức các nước xuất khẩu dầu lửa': True,\n", " 'Quận Cam, California': True,\n", " '30 tháng 4': True,\n", " 'Trương Vĩnh Ký': True,\n", " 'Hải Dương': True,\n", " '8 tháng 3': True,\n", " 'Tháng 9 năm 2004': True,\n", " 'Amin': True,\n", " 'Sao Thiên Vương': True,\n", " 'Kỹ thuật': True,\n", " 'Chăm Pa': True,\n", " 'Nguyễn Hoàng': True,\n", " 'Phù Nam': True,\n", " 'Pin nhiên liệu': True,\n", " 'Chiêm Thành': True,\n", " 'Carbon': True,\n", " 'Nguyễn Công Trứ': True,\n", " 'Tế bào nhiên liệu kiềm': True,\n", " 'AFC': True,\n", " 'Hydro': True,\n", " 'Đoạn mồi': True,\n", " 'Probe': True,\n", " 'DNA microarray': True,\n", " 'Lạm phát': True,\n", " 'Sông Hậu': True,\n", " 'Ngũ hành': True,\n", " 'PEMFC': True,\n", " 'Phản ứng chuỗi polymerase': True,\n", " 'Trần Ngọc Liên': True,\n", " 'CPU': True,\n", " 'Nguyên tố hóa học': True,\n", " 'Tổng sản phẩm nội địa': True,\n", " 'Electron': True,\n", " 'Phần mềm doanh nghiệp': True,\n", " 'Berlin': True,\n", " 'Oxy': True,\n", " 'Ozon': True,\n", " 'Tích hợp ứng dụng doanh nghiệp': True,\n", " 'Harry Potter': True,\n", " 'Dương Văn Minh': True,\n", " 'Bạch cầu': True,\n", " 'Tầng bình lưu': True,\n", " 'Chiến tranh thế giới thứ hai': True,\n", " 'Touchdown PCR': True,\n", " 'Telex (kiểu gõ)': True,\n", " 'Hiệu ứng nhà kính': True,\n", " 'Khí quyển Trái Đất': True,\n", " 'Tăng áp (định hướng)': True,\n", " 'Khí hậu học': True,\n", " 'Nước': True,\n", " 'Albert Einstein': True,\n", " 'Isaac Newton': True,\n", " 'Hoạch định tài nguyên doanh nghiệp': True,\n", " 'Nhà vật lý': True,\n", " 'Danh sách nhà vật lý': True,\n", " 'Chúa': True,\n", " '2004': True,\n", " 'HIV/AIDS': True,\n", " 'SIDA': True,\n", " 'Giải Nobel': True,\n", " 'Danh sách người đoạt giải Nobel': True,\n", " 'Vật chất': True,\n", " 'Tiên đề': True,\n", " 'Ánh sáng': True,\n", " 'Tương tác hấp dẫn': True,\n", " 'Khối lượng': True,\n", " 'Thể tích': True,\n", " 'Tích phân': True,\n", " 'Tân Bình (phủ cũ Gia Định)': True,\n", " 'Kim Dung': True,\n", " 'Đại Việt sử ký toàn thư': True,\n", " 'SAP': True,\n", " 'Lập xuân': True,\n", " 'Tiết khí': True,\n", " 'Phương trình': True,\n", " 'Không điểm của hàm số': True,\n", " 'Mét': True,\n", " 'Thời gian': True,\n", " 'Rượu (định hướng)': True,\n", " 'Giây': True,\n", " 'Giờ': True,\n", " 'Phút': True,\n", " 'Tốc độ ánh sáng': True,\n", " 'Xuân phân': True,\n", " 'Ba Lê (định hướng)': True,\n", " 'Moskva': True,\n", " 'Paris': True,\n", " 'Cholesterol': True,\n", " 'Kali': True,\n", " 'CeBIT': True,\n", " 'Hằng số Planck': True,\n", " 'Năng lượng': True,\n", " 'Kilôgam': True,\n", " 'Tiền tố SI': True,\n", " 'Yôta': True,\n", " 'Zêta': True,\n", " 'Êxa': True,\n", " 'Pêta': True,\n", " 'Têra': True,\n", " 'Giga': True,\n", " 'Mêga': True,\n", " 'Kilô': True,\n", " 'Héctô': True,\n", " 'Đêca': True,\n", " 'Đêxi': True,\n", " 'Xăngti': True,\n", " 'Mili': True,\n", " 'Micrô': True,\n", " 'Nanô': True,\n", " 'Pico-': True,\n", " 'Femto-': True,\n", " 'Atto-': True,\n", " 'Zepto-': True,\n", " 'Yocto-': True,\n", " 'Chiều dài': True,\n", " 'Khoảng cách': True,\n", " 'Việt kiều': True,\n", " 'Centimet': True,\n", " 'Gam': True,\n", " 'Milimét': True,\n", " 'Micrômét': True,\n", " 'Nanômét': True,\n", " 'Phạm Hồng Sơn (nhân vật bất đồng chính kiến)': True,\n", " 'Rừng của người đã mất': True,\n", " 'Đại số': True,\n", " 'Kinh Thánh': True,\n", " 'Quang học': True,\n", " 'Người Hoa (Việt Nam)': True,\n", " 'Người Trung Quốc': True,\n", " 'Đông chí': True,\n", " 'Thu phân': True,\n", " 'Thức uống có cồn': True,\n", " 'Vốn điều lệ': True,\n", " 'Vốn pháp định': True,\n", " 'Tiếng Pháp': True,\n", " 'Thành Cát Tư Hãn': True,\n", " 'Dòng Tên': True,\n", " 'Nồng độ': True,\n", " 'Nguyễn Đan Quế': True,\n", " 'Khánh Hòa': True,\n", " 'TeX': True,\n", " 'Sao Hải Vương': True,\n", " 'Sếu đầu đỏ': True,\n", " 'Tây Hạ': True,\n", " 'Đông Bắc Bộ': True,\n", " 'Thuyết tương đối': True,\n", " 'Nhà Kim': True,\n", " 'Ngân Xuyên': True,\n", " 'NATO': True,\n", " 'Hoàng Hà': True,\n", " 'Bệnh tả': True,\n", " 'Trường Giang (định hướng)': True,\n", " 'Tam Quốc (định hướng)': True,\n", " 'Tam quốc': True,\n", " 'Áo': True,\n", " 'Tiếng Đức': True,\n", " 'Cân': True,\n", " 'Lạng': True,\n", " 'Úc': True,\n", " 'Trực khuẩn': True,\n", " 'Escherichia coli': True,\n", " 'The Star-Spangled Banner': True,\n", " 'Pháp': True,\n", " 'Pháp (định hướng)': True,\n", " 'Đại số tuyến tính': True,\n", " 'Ma trận (định hướng)': True,\n", " 'Ma trận (toán học)': True,\n", " 'Hình chữ nhật': True,\n", " 'Hệ đo lường cổ Việt Nam': True,\n", " 'Cải lương': True,\n", " 'Lượng (kim hoàn)': True,\n", " 'Lịch sử Nhật Bản': True,\n", " 'Địa lý Nhật Bản': True,\n", " 'Văn hóa Nhật Bản': True,\n", " 'Các chính đảng ở Nhật Bản': True,\n", " 'Kinh tế Nhật Bản': True,\n", " 'Vi khuẩn': True,\n", " 'Lịch sử Hoa Kỳ': True,\n", " 'Vi trùng': True,\n", " 'Kinh Dịch': True,\n", " 'Sức mua tương đương': True,\n", " 'ASCII': True,\n", " 'Phương trình đại số': True,\n", " 'Phương trình tuyến tính': True,\n", " 'Biến số': True,\n", " 'Chúa tể những chiếc nhẫn': True,\n", " 'Bộ Sếu': True,\n", " 'Nguyễn': True,\n", " 'Johann Sebastian Bach': True,\n", " 'Hệ phương trình tuyến tính': True,\n", " 'Planctomycetes': True,\n", " 'Murein': True,\n", " 'PPP': True,\n", " 'Trường Sa': True,\n", " 'Lịch sử': True,\n", " 'Khoa học ứng dụng': True,\n", " 'Phát thanh quốc tế': True,\n", " 'Truyền thông đại chúng': True,\n", " 'Chỉ (đơn vị đo)': True,\n", " 'Tạ': True,\n", " 'Yến (đo lường)': True,\n", " 'Tấn': True,\n", " 'Vật lý thực nghiệm': True,\n", " 'Điện từ học': True,\n", " 'Bức xạ điện từ': True,\n", " 'Tổ chức Thương mại Thế giới': True,\n", " 'Vàng (định hướng)': True,\n", " 'Vàng': True,\n", " 'Thuần Càn': True,\n", " 'Thuần Khôn': True,\n", " 'Thủy Lôi Truân': True,\n", " 'Sơn Thủy Mông': True,\n", " 'Thủy Thiên Nhu': True,\n", " 'Thiên Thủy Tụng': True,\n", " 'Địa Thủy Sư': True,\n", " '26 tháng 4': True,\n", " 'Đảo Phục Sinh': True,\n", " 'Thái tử': True,\n", " 'Texas': True,\n", " 'Ngân Hà': True,\n", " 'Alaska': True,\n", " 'Tán xạ': True,\n", " 'Kinh tế Đức': True,\n", " 'Thủy Địa Tỷ': True,\n", " 'Phong Thiên Tiểu Súc': True,\n", " 'Thiên Trạch Lý': True,\n", " 'Địa Thiên Thái': True,\n", " 'Thiên Địa Bĩ': True,\n", " 'Thiên Hỏa Đồng Nhân': True,\n", " 'Hỏa Thiên Đại Hữu': True,\n", " 'Địa Sơn Khiêm': True,\n", " 'Lôi Địa Dự': True,\n", " 'Trạch Lôi Tùy': True,\n", " 'Sơn Phong Cổ': True,\n", " 'Địa Trạch Lâm': True,\n", " 'Phong Địa Quan': True,\n", " 'Sơn Hỏa Bí': True,\n", " 'Sơn Địa Bác': True,\n", " 'Địa Lôi Phục': True,\n", " 'Thiên Lôi Vô Vọng': True,\n", " 'Sơn Thiên Đại Súc': True,\n", " 'Sơn Lôi Di': True,\n", " 'Trạch Phong Đại Quá': True,\n", " 'Thuần Khảm': True,\n", " 'Thuần Ly': True,\n", " 'Trạch Sơn Hàm': True,\n", " 'Lôi Phong Hằng': True,\n", " 'Thiên Sơn Độn': True,\n", " 'Lôi Thiên Đại Tráng': True,\n", " 'Địa Hỏa Minh Di': True,\n", " 'Phong Hỏa Gia Nhân': True,\n", " 'Hỏa Trạch Khuê': True,\n", " 'Thủy Sơn Kiển': True,\n", " 'Lôi Thủy Giải': True,\n", " 'Sơn Trạch Tổn': True,\n", " 'Phong Lôi Ích': True,\n", " 'Trạch Thiên Quải': True,\n", " 'Thiên Phong Cấu': True,\n", " 'Trạch Địa Tụy': True,\n", " 'Địa Phong Thăng': True,\n", " 'Trạch Thủy Khốn': True,\n", " 'Thủy Phong Tỉnh': True,\n", " 'Trạch Hỏa Cách': True,\n", " 'Hỏa Phong Đỉnh': True,\n", " 'Lịch sử Hoa Kỳ (1493–1776)': True,\n", " 'Thuần Chấn': True,\n", " 'Thuần Cấn': True,\n", " 'Phong Sơn Tiệm': True,\n", " 'Lôi Trạch Quy Muội': True,\n", " 'Lôi Hỏa Phong': True,\n", " 'Hỏa Sơn Lữ': True,\n", " 'Thuần Tốn': True,\n", " 'Thuần Đoài': True,\n", " 'Phong Thủy Hoán': True,\n", " 'Thủy Trạch Tiết': True,\n", " 'Lôi Sơn Tiểu Quá': True,\n", " 'Thủy Hỏa Ký Tế': True,\n", " 'Hỏa Thủy Vị Tế': True,\n", " 'Lê Chí Quang': True,\n", " 'Sao Diêm Vương': True,\n", " 'Sông Hồng': True,\n", " 'Đo lường': True,\n", " 'Hồng Hà (định hướng)': True,\n", " 'Sông Cái Nha Trang': True,\n", " 'Nguyên Giang': True,\n", " 'Đo lường học': True,\n", " 'Ma trận vuông': True,\n", " 'Hệ thống sông Thái Bình': True,\n", " 'Sông Cầu': True,\n", " 'Đơn vị đo': True,\n", " 'Lễ Phục Sinh': True,\n", " 'Sông Cửu Long': True,\n", " 'Mê Kông': True,\n", " 'Nguyễn Vũ Bình': True,\n", " 'Năm nhuận': True,\n", " 'Đơn vị đo chiều dài': True,\n", " 'Pêtamét': True,\n", " 'Latinh (định hướng)': True,\n", " 'Năm ánh sáng': True,\n", " 'Yôtamét': True,\n", " 'Doraemon': True,\n", " 'Nhà xuất bản Kim Đồng': True,\n", " 'Tiếng Latinh': True,\n", " 'Danh sách ngôn ngữ theo tổng số người sử dụng': True,\n", " 'Thủy Tinh': True,\n", " 'NASA': True,\n", " 'Việt Nam Dân chủ Cộng hòa': True,\n", " 'Năm Cam': True,\n", " 'Năm chí tuyến': True,\n", " 'Kitô giáo': True,\n", " 'Thiên Chúa giáo': True,\n", " 'Illinois': True,\n", " 'Rhode Island': True,\n", " 'Viên': True,\n", " 'Nhiệt động lực học': True,\n", " 'Thứ Hai': True,\n", " 'Thứ Ba': True,\n", " 'Thứ Tư': True,\n", " 'Thứ Năm': True,\n", " 'Thứ Sáu': True,\n", " 'Thứ Bảy': True,\n", " 'Giờ Phối hợp Quốc tế': True,\n", " 'Sao Mai (định hướng)': True,\n", " 'Tháng năm': True,\n", " 'Tháng sáu': True,\n", " 'Tháng bảy': True,\n", " 'Thủy tinh': True,\n", " 'Trịnh Công Sơn': True,\n", " 'Kitô giáo Đông phương': True,\n", " 'Chính thống giáo Đông phương': True,\n", " 'Giáo hội Công giáo': True,\n", " 'Kitô giáo Tây phương': True,\n", " 'Kháng Cách': True,\n", " 'Anh giáo': True,\n", " 'Giáo hội Anh': True,\n", " 'Tháng tám': True,\n", " 'Tháng chín': True,\n", " 'Phạm Duy': True,\n", " 'Tháng mười': True,\n", " 'Tháng mười một': True,\n", " 'Tháng mười hai': True,\n", " 'Tháng một': True,\n", " 'Tháng hai': True,\n", " 'Cơ sở dữ liệu': True,\n", " 'Tháng giêng': True,\n", " 'Tháng chạp': True,\n", " 'Sóc (lịch)': True,\n", " 'Tiếng Ý': True,\n", " 'Nông lịch': True,\n", " 'Tháng Tý': True,\n", " 'Âm lịch': True,\n", " 'Can Chi': True,\n", " 'Công Nguyên': True,\n", " 'CN': True,\n", " 'Lịch sử vật lý học': True,\n", " 'Lịch sử cơ học': True,\n", " 'Danh sách quốc gia theo dân số': True,\n", " 'Công giáo': True,\n", " 'Israel': True,\n", " 'Pakistan': True,\n", " 'Mặt Trời': True,\n", " 'Euro': True,\n", " 'Land der Berge, Land am Strome': True,\n", " 'Sankt Pölten': True,\n", " 'Graz': True,\n", " 'Giáo hoàng Gioan Phaolô II': True,\n", " 'Vật lý hạt': True,\n", " 'Thuyết tương đối hẹp': True,\n", " 'Phục Sinh': True,\n", " 'Lý thuyết dây': True,\n", " 'Đức Quốc Xã': True,\n", " 'Sao lùn trắng': True,\n", " 'Hạt sơ cấp': True,\n", " 'Không-thời gian': True,\n", " 'Cơ học thống kê': True,\n", " 'Hạt Higgs': True,\n", " 'Lý thuyết hấp dẫn lượng tử vòng': True,\n", " 'Chất độc da cam': True,\n", " 'VietNamNet': True,\n", " 'Đồng (đơn vị tiền tệ)': True,\n", " 'Đồng (định hướng)': True,\n", " 'Hằng số vật lý': True,\n", " 'CH': True,\n", " 'TP': True,\n", " 'ĐT': True,\n", " 'CQ': True,\n", " 'Khí quyển (định hướng)': True,\n", " 'TV (định hướng)': True,\n", " 'Nhóm ngôn ngữ gốc Ý': True,\n", " 'TN': True,\n", " 'ĐH': True,\n", " 'ND': True,\n", " 'QĐ': True,\n", " 'HQ': True,\n", " 'BĐ': True,\n", " 'QH': True,\n", " 'LĐ': True,\n", " 'ĐN': True,\n", " 'Hỏa Lôi Phệ Hạp': True,\n", " 'ĐC': True,\n", " 'VH': True,\n", " 'VV': True,\n", " 'PT': True,\n", " 'QL': True,\n", " 'Tương tác cơ bản': True,\n", " 'Giải tích thực': True,\n", " 'Đảng Cộng sản Việt Nam': True,\n", " 'Ngữ hệ Nam Á': True,\n", " 'Ngữ hệ Ấn-Âu': True,\n", " 'Ngữ tộc Môn-Khmer': True,\n", " 'Ngữ tộc Slav': True,\n", " 'Ngữ tộc German': True,\n", " 'Nhóm ngôn ngữ Hy Lạp': True,\n", " 'Giới hạn Chandrasekhar': True,\n", " 'Phân loại sao': True,\n", " 'Kim loại kiềm': True,\n", " 'Au': True,\n", " 'Kanji': True,\n", " 'Lê (họ)': True,\n", " 'Vàng (màu)': True,\n", " 'Tía': True,\n", " 'Tím': True,\n", " 'Đỏ': True,\n", " 'Đỏ thắm': True,\n", " 'Đỏ tươi': True,\n", " 'Đỏ son': True,\n", " 'Hồng (màu)': True,\n", " 'Du lịch Áo': True,\n", " 'Địa khai hóa': True,\n", " 'Alexandre Yersin': True,\n", " 'AG': True,\n", " 'AL': True,\n", " 'AQ': True,\n", " 'AN': True,\n", " 'Màu gốc in ấn': True,\n", " 'VI': True,\n", " 'Vi': True,\n", " 'AM': True,\n", " 'Emacs': True,\n", " 'Phối màu phát xạ': True,\n", " 'Phối màu hấp thụ': True,\n", " 'Mô hình màu CMYK': True,\n", " 'Mô hình màu RGB': True,\n", " 'Hà Nam': True,\n", " 'Nhược trương': True,\n", " 'Đẳng trương': True,\n", " 'Hà Nam (định hướng)': True,\n", " 'Mô hình Chuẩn': True,\n", " 'Thí nghiệm Michelson-Morley': True,\n", " 'Phú Thọ': True,\n", " 'An Giang': True,\n", " 'Đen': True,\n", " 'Tổng thống Đức': True,\n", " 'Trắng': True,\n", " 'Das Lied der Deutschen': True,\n", " 'Cúm gia cầm': True,\n", " 'Danh sách màu': True,\n", " 'Ngữ tộc Celt': True,\n", " 'Hổ phách (màu)': True,\n", " 'Ametit (màu)': True,\n", " 'Tỉnh thành Việt Nam': True,\n", " 'Xanh berin': True,\n", " 'Xanh da trời': True,\n", " 'Ngôn ngữ học': True,\n", " 'Nâu sẫm': True,\n", " 'Xanh dương': True,\n", " 'Sinh vật biến đổi gen': True,\n", " 'Tây Bắc Bộ': True,\n", " 'Đồng bằng sông Hồng': True,\n", " 'Bắc Trung Bộ': True,\n", " 'Duyên hải Nam Trung Bộ': True,\n", " 'Tây Nguyên': True,\n", " 'Đông Nam Bộ': True,\n", " 'Đồng bằng sông Cửu Long': True,\n", " 'Bắc Bộ': True,\n", " 'Miền Nam (Việt Nam)': True,\n", " 'Chàm': True,\n", " 'Chàm (bệnh)': True,\n", " 'Yersinia pestis': True,\n", " 'Viêm da': True,\n", " 'Kỹ thuật di truyền': True,\n", " 'Google': True,\n", " 'Yahoo!': True,\n", " 'Lịch sử Hoa Kỳ (1776–1789)': True,\n", " 'Tháng 2 năm 2005': True,\n", " 'Chàm (định hướng)': True,\n", " 'Điện toán': True,\n", " 'Văn hóa': True,\n", " 'Màu sắc': True,\n", " 'Giấy điện tử': True,\n", " 'Cộng hòa Séc': True,\n", " 'Trương Trọng Thi': True,\n", " 'Toán học ứng dụng': True,\n", " 'PC': True,\n", " 'AC': True,\n", " 'Dc': True,\n", " 'Washington': True,\n", " 'Màu be': True,\n", " 'BE': True,\n", " 'Máy tính cá nhân': True,\n", " 'Ngôn ngữ': True,\n", " 'Kde domov můj?': True,\n", " 'Séc': True,\n", " 'Y học': True,\n", " 'Lời thề Hippocrates': True,\n", " 'Virus': True,\n", " 'Hồng Bàng': True,\n", " 'An Dương Vương': True,\n", " 'Vĩnh Phúc': True,\n", " 'DNA': True,\n", " 'Vụ Nổ Lớn': True,\n", " 'Nâu': True,\n", " 'Big Bang (định hướng)': True,\n", " 'Tòa Thánh': True,\n", " 'Xanh lơ': True,\n", " 'Vi ba': True,\n", " 'Lục bảo': True,\n", " 'Vàng kim loại (màu)': True,\n", " 'Xám': True,\n", " 'Da cam': True,\n", " 'Cam cháy': True,\n", " 'Số Hex': True,\n", " 'Cô ban (màu)': True,\n", " 'Đồng (màu)': True,\n", " 'San hô (màu)': True,\n", " 'Kem (màu)': True,\n", " 'Vòi voi (màu)': True,\n", " 'Cá hồi (màu)': True,\n", " 'Nâu đen': True,\n", " 'Xanh chromi': True,\n", " 'Kaki': True,\n", " 'Ngọc thạch (màu)': True,\n", " 'Oải hương (màu)': True,\n", " 'Bạc (màu)': True,\n", " 'Bước sóng': True,\n", " 'Debian': True,\n", " 'SI (định hướng)': True,\n", " 'Mẫu (dạng thức)': True,\n", " '2 tháng 9': True,\n", " 'BCT': True,\n", " 'Ngữ hệ Kra-Dai': True,\n", " 'Mẫu (đơn vị đo)': True,\n", " 'Anh đào (màu)': True,\n", " 'Vàng chanh': True,\n", " 'Lòng đào': True,\n", " 'Dừa cạn (màu)': True,\n", " 'Ngữ hệ Nhật-Lưu Cầu': True,\n", " 'Đỏ yên chi': True,\n", " 'Ôliu (màu)': True,\n", " 'Lan tím': True,\n", " 'Ngọc lam (màu)': True,\n", " 'Mòng két (màu)': True,\n", " 'Hoa cà (màu)': True,\n", " 'Cẩm quỳ (màu)': True,\n", " 'Mận (màu)': True,\n", " 'Tần số': True,\n", " 'Xanh nõn chuối': True,\n", " 'Màu': True,\n", " 'Toàn cầu hóa': True,\n", " 'Virus (định hướng)': True,\n", " 'Liên Xô': True,\n", " 'Siêu dẫn': True,\n", " 'Men ngọc (màu)': True,\n", " 'Hạt dẻ (màu)': True,\n", " 'Hình học giải tích': True,\n", " 'Lam sẫm': True,\n", " 'Nguyễn Cao': True,\n", " 'Hồng đất': True,\n", " 'Xanh thủy tinh': True,\n", " 'Chu kỳ': True,\n", " 'Nâu tanin': True,\n", " 'Hồng y (màu)': True,\n", " 'Ngữ chi Rôman': True,\n", " 'Ngữ tộc Balt': True,\n", " '17 tháng 4': True,\n", " '18 tháng 4': True,\n", " '19 tháng 4': True,\n", " 'Sóng': True,\n", " 'Tần số góc': True,\n", " 'Thánh địa Mỹ Sơn': True,\n", " 'Quần đảo Cát Bà': True,\n", " 'Đồ Sơn': True,\n", " 'Ba Bể (định hướng)': True,\n", " 'Vịnh Hạ Long': True,\n", " 'Hồ Ba Bể': True,\n", " 'Sa Pa (phường)': True,\n", " 'Đà Lạt': True,\n", " 'Phú Quốc': True,\n", " 'Côn Đảo': True,\n", " 'Phố cổ Hội An': True,\n", " 'Ao Bà Om': True,\n", " 'Ngủ đông': True,\n", " 'Chu trình tiềm tan': True,\n", " 'Tiềm sinh': True,\n", " 'Electrum': True,\n", " 'Tia X': True,\n", " 'KTS': True,\n", " 'Quang tuyến': True,\n", " 'Thanh Xuân': True,\n", " 'Di sản thế giới': True,\n", " 'Hạ Long (định hướng)': True,\n", " '24 tháng 4': True,\n", " 'Hóa sinh': True,\n", " '25 tháng 4': True,\n", " 'Tôn giáo': True,\n", " 'Danh sách Thủ tướng Việt Nam': True,\n", " 'KCS': True,\n", " 'KCN': True,\n", " 'Muối ăn': True,\n", " 'Đại lượng vật lý': True,\n", " 'Sự kiện 30 tháng 4 năm 1975': True,\n", " 'Quy hoạch đô thị': True,\n", " 'Danh sách nhà toán học': True,\n", " 'Phật giáo': True,\n", " 'Tắc đường': True,\n", " 'Khoa học máy tính': True,\n", " 'Hưng Yên': True,\n", " 'Bắc Ninh': True,\n", " 'Hà Tây (tỉnh)': True,\n", " 'Khí quyển Sao Hỏa': True,\n", " 'Thượng Hải': True,\n", " 'Công nghệ thông tin': True,\n", " 'Hồ Chí Minh (định hướng)': True,\n", " 'Khu công nghiệp': True,\n", " 'Tam giáo': True,\n", " 'Thái Bình': True,\n", " 'Nam Định': True,\n", " 'Nhà': True,\n", " 'Ninh Bình': True,\n", " 'Chiếu dời đô': True,\n", " 'Ngọc lục bảo': True,\n", " 'Tin học': True,\n", " 'Tự do hóa': True,\n", " 'CSS': True,\n", " 'Hiệp ước chung về thuế quan và mậu dịch': True,\n", " 'Lai tạp hóa': True,\n", " 'Mỹ hóa': True,\n", " 'Tổ chức sở hữu trí tuệ': True,\n", " 'Khoa học thông tin': True,\n", " 'Thuật toán': True,\n", " 'WEB': True,\n", " '1 tháng 4': True,\n", " 'Tổ chức phi chính phủ': True,\n", " 'Đầu tư trực tiếp nước ngoài': True,\n", " 'NGO': True,\n", " 'Phần cứng': True,\n", " 'Châu Âu': True,\n", " 'Thái Lan': True,\n", " 'Virus (máy tính)': True,\n", " 'Phần mềm ác ý': True,\n", " 'Linux From Scratch': True,\n", " 'LFS': True,\n", " 'Hà Nội (định hướng)': True,\n", " 'Ngọc lam': True,\n", " '2 tháng 4': True,\n", " 'Lipid': True,\n", " 'Toán học tổ hợp': True,\n", " 'Toán học rời rạc': True,\n", " 'Nara (thành phố)': True,\n", " 'Phan Bội Châu': True,\n", " 'Sắc ký': True,\n", " 'Hồng ngọc': True,\n", " 'Ribosome': True,\n", " 'Trung tử': True,\n", " 'Lysosome': True,\n", " 'Mạng lưới nội chất': True,\n", " 'Peroxisome': True,\n", " 'Bộ máy Golgi': True,\n", " 'Điện tử học': True,\n", " 'Ty thể': True,\n", " 'Công nghệ nano': True,\n", " 'Quan Âm': True,\n", " 'Tháp Hà Nội (định hướng)': True,\n", " 'Nhà Nguyễn': True,\n", " 'Danh sách quốc gia có chủ quyền': True,\n", " 'Sông Cầu (định hướng)': True,\n", " 'Thiên đỉnh': True,\n", " 'Thiên để': True,\n", " 'Tạ (định hướng)': True,\n", " 'Tấn (định hướng)': True,\n", " 'Câu lệnh (khoa học máy tính)': True,\n", " 'Chỉ thị (máy tính)': True,\n", " 'Frank Sherwood Rowland': True,\n", " 'Cú pháp câu lệnh': True,\n", " 'Nhóm chức': True,\n", " 'Quy tắc đặt dấu thanh trong chữ quốc ngữ': True,\n", " 'Tán xạ Rayleigh': True,\n", " 'Đúng': True,\n", " 'Đồng': True,\n", " 'Đậu tương': True,\n", " 'Cộng đồng Wikipedia': True,\n", " 'Đồng tính luyến ái': True,\n", " 'Tam quốc diễn nghĩa': True,\n", " 'Vết đen Mặt Trời': True,\n", " 'Mô hình Markov ẩn': True,\n", " 'Tin sinh học': True,\n", " 'Vết đen': True,\n", " 'Tứ đại danh tác': True,\n", " 'Sách đỏ IUCN': True,\n", " 'Hệ điều hành': True,\n", " 'Bắt cặp trình tự': True,\n", " 'Tam quốc diễn nghĩa (định hướng)': True,\n", " 'Trình tự motif': True,\n", " 'Thành phố Trung Quốc': True,\n", " 'Thụy Sĩ': True,\n", " 'Kẽm': True,\n", " 'Dãy số thực': True,\n", " 'Bánh chưng': True,\n", " 'Lá dong': True,\n", " 'Bánh giầy': True,\n", " 'Bạc': True,\n", " 'Boson W': True,\n", " ...}" ] }, "execution_count": 4, "metadata": {}, "output_type": "execute_result" } ], "source": [ "all_titles = dict([(x.strip(),True) for x in open(\"../data/raw/wikipedia_20220620_cleaned/wikipedia_20220620_all_titles.txt\").readlines()])\n", "all_titles" ] }, { "cell_type": "code", "execution_count": 5, "metadata": {}, "outputs": [], "source": [ "dict_map = dict({}) \n", " \n", "def word_tokenize(text): \n", " global dict_map \n", " words = text.split() \n", " words_norm = [] \n", " for w in words: \n", " if dict_map.get(w, None) is None: \n", " dict_map[w] = ' '.join(lib_tokenizer(w)).replace('``', '\"').replace(\"''\", '\"') \n", " words_norm.append(dict_map[w]) \n", " return words_norm \n", " \n", "def strip_answer_string(text): \n", " text = text.strip() \n", " while text[-1] in '.,/><;:\\'\"[]{}+=-_)(*&^!~`': \n", " if text[0] != '(' and text[-1] == ')' and '(' in text: \n", " break \n", " if text[-1] == '\"' and text[0] != '\"' and text.count('\"') > 1: \n", " break \n", " text = text[:-1].strip() \n", " while text[0] in '.,/><;:\\'\"[]{}+=-_)(*&^!~`': \n", " if text[0] == '\"' and text[-1] != '\"' and text.count('\"') > 1: \n", " break \n", " text = text[1:].strip() \n", " text = text.strip() \n", " return text \n", " \n", "def strip_context(text): \n", " text = text.replace('\\n', ' ') \n", " text = re.sub(r'\\s+', ' ', text) \n", " text = text.strip() \n", " return text" ] }, { "cell_type": "code", "execution_count": 6, "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "INFO: Pandarallel will run on 6 workers.\n", "INFO: Pandarallel will use standard multiprocessing data transfer (pipe) to transfer data between the main process and workers.\n" ] } ], "source": [ "from pandarallel import pandarallel\n", "\n", "pandarallel.initialize(progress_bar=True, use_memory_fs=False, nb_workers=6)" ] }, { "cell_type": "code", "execution_count": 7, "metadata": {}, "outputs": [ { "data": { "application/vnd.jupyter.widget-view+json": { "model_id": "9bacd2c6720d48209399c9220f4e3054", "version_major": 2, "version_minor": 0 }, "text/plain": [ "VBox(children=(HBox(children=(IntProgress(value=0, description='0.00%', max=36008), Label(value='0 / 36008')))…" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "application/vnd.jupyter.widget-view+json": { "model_id": "140698a55ee644c79d2a54941c4beb6b", "version_major": 2, "version_minor": 0 }, "text/plain": [ "VBox(children=(HBox(children=(IntProgress(value=0, description='0.00%', max=36008), Label(value='0 / 36008')))…" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "application/vnd.jupyter.widget-view+json": { "model_id": "8e9ae778df744c568ac4e990dd356f19", "version_major": 2, "version_minor": 0 }, "text/plain": [ "VBox(children=(HBox(children=(IntProgress(value=0, description='0.00%', max=36008), Label(value='0 / 36008')))…" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "application/vnd.jupyter.widget-view+json": { "model_id": "b3be62a6ab8a4190974f50bc3e6eb74b", "version_major": 2, "version_minor": 0 }, "text/plain": [ "VBox(children=(HBox(children=(IntProgress(value=0, description='0.00%', max=36008), Label(value='0 / 36008')))…" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "application/vnd.jupyter.widget-view+json": { "model_id": "c98f91a6efa94966af32ceec70eea55c", "version_major": 2, "version_minor": 0 }, "text/plain": [ "VBox(children=(HBox(children=(IntProgress(value=0, description='0.00%', max=36008), Label(value='0 / 36008')))…" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "application/vnd.jupyter.widget-view+json": { "model_id": "ed68d16693ef4b7dadafd098e3d6bc88", "version_major": 2, "version_minor": 0 }, "text/plain": [ "VBox(children=(HBox(children=(IntProgress(value=0, description='0.00%', max=36008), Label(value='0 / 36008')))…" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "application/vnd.jupyter.widget-view+json": { "model_id": "07f08ef339ea431ab76a84ff6b8c2e57", "version_major": 2, "version_minor": 0 }, "text/plain": [ "VBox(children=(HBox(children=(IntProgress(value=0, description='0.00%', max=36008), Label(value='0 / 36008')))…" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "application/vnd.jupyter.widget-view+json": { "model_id": "82630b19f0164af7915195256ec63a00", "version_major": 2, "version_minor": 0 }, "text/plain": [ "VBox(children=(HBox(children=(IntProgress(value=0, description='0.00%', max=36008), Label(value='0 / 36008')))…" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "application/vnd.jupyter.widget-view+json": { "model_id": "365cd1db011a48de884862248ecdfc84", "version_major": 2, "version_minor": 0 }, "text/plain": [ "VBox(children=(HBox(children=(IntProgress(value=0, description='0.00%', max=36008), Label(value='0 / 36008')))…" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "application/vnd.jupyter.widget-view+json": { "model_id": "c1bb81622d9648308170dbeda422b7a5", "version_major": 2, "version_minor": 0 }, "text/plain": [ "VBox(children=(HBox(children=(IntProgress(value=0, description='0.00%', max=1), Label(value='0 / 1'))),))" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/plain": [ "0 Trang Chính < templatestyles src= \" Wiki2021/s...\n", "1 Internet Society hay ISOC là một tổ chức quốc ...\n", "2 Tiếng Việt , cũng gọi là tiếng Việt Nam hay Vi...\n", "3 hệ thống thanh điệu phát triển cao hơn , hệ th...\n", "4 tiếp xúc Hán – Việt thành 2 giai đoạn chính : ...\n", "Name: cleaned_text, dtype: object" ] }, "execution_count": 7, "metadata": {}, "output_type": "execute_result" } ], "source": [ "def apply_tokenizer(df, num_chunks):\n", " chunk_sr = pd.Series()\n", " i = 0\n", " end = df.shape[0]\n", " chunk_size = math.floor(end/num_chunks)\n", " while i != end:\n", " if end - i < chunk_size:\n", " chunk_size = end - i\n", " temp_df = df[i:i+chunk_size].copy()\n", " chunk_sr = pd.concat([chunk_sr, temp_df[\"text\"].parallel_apply(lambda x: \" \".join(word_tokenize(strip_context(x))))], ignore_index=True)\n", " i+=chunk_size\n", " return chunk_sr\n", "\n", "df[\"cleaned_text\"] = apply_tokenizer(df, 9)\n", "df[\"cleaned_text\"].head()" ] }, { "cell_type": "code", "execution_count": 8, "metadata": {}, "outputs": [], "source": [ "train_titles = set([x['title'].strip() for x in train['data'] if len(x['title']) > 0])" ] }, { "cell_type": "code", "execution_count": 9, "metadata": {}, "outputs": [ { "data": { "application/vnd.jupyter.widget-view+json": { "model_id": "8492dc037ce24b2eb849ba28a7a64eb2", "version_major": 2, "version_minor": 0 }, "text/plain": [ "VBox(children=(HBox(children=(IntProgress(value=0, description='0.00%', max=324068), Label(value='0 / 324068')…" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "df[\"valid\"] = df['title'].parallel_apply(lambda x: str(x).strip() in train_titles)" ] }, { "cell_type": "code", "execution_count": 10, "metadata": {}, "outputs": [], "source": [ "df = df[df['valid']]\n", "df.reset_index(drop=True, inplace=True)" ] }, { "cell_type": "code", "execution_count": 11, "metadata": {}, "outputs": [ { "data": { "text/plain": [ "(8782,)" ] }, "execution_count": 11, "metadata": {}, "output_type": "execute_result" } ], "source": [ "df.title.unique().shape" ] }, { "cell_type": "code", "execution_count": 12, "metadata": {}, "outputs": [ { "data": { "text/html": [ "
\n", "\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
titletextbm25_textcleaned_textvalid
0Tiếng ViệtTiếng Việt , cũng gọi là tiếng Việt Nam hay Vi...tiếng việt cũng gọi là tiếng việt nam hay việt...Tiếng Việt , cũng gọi là tiếng Việt Nam hay Vi...True
1Tiếng Việthệ thống thanh điệu phát triển cao hơn, hệ thố...hệ thống thanh điệu phát triển cao hơn hệ thốn...hệ thống thanh điệu phát triển cao hơn , hệ th...True
2Tiếng Việttiếp xúc Hán – Việt thành 2 giai đoạn chính: \\...tiếp xúc hán – việt thành 2 giai đoạn chính bu...tiếp xúc Hán – Việt thành 2 giai đoạn chính : ...True
3Tiếng Việtthêm hàng loạt các yếu tố Hán–Việt. Như là \"ch...thêm hàng loạt các yếu tố hán–việt như là chủ ...thêm hàng loạt các yếu tố Hán–Việt . Như là \" ...True
4Tiếng Việttiếng Hán vẫn có ai đó chấp nhận và sử dụng tr...tiếng hán vẫn có ai đó chấp nhận và sử dụng tr...tiếng Hán vẫn có ai đó chấp nhận và sử dụng tr...True
\n", "
" ], "text/plain": [ " title text \\\n", "0 Tiếng Việt Tiếng Việt , cũng gọi là tiếng Việt Nam hay Vi... \n", "1 Tiếng Việt hệ thống thanh điệu phát triển cao hơn, hệ thố... \n", "2 Tiếng Việt tiếp xúc Hán – Việt thành 2 giai đoạn chính: \\... \n", "3 Tiếng Việt thêm hàng loạt các yếu tố Hán–Việt. Như là \"ch... \n", "4 Tiếng Việt tiếng Hán vẫn có ai đó chấp nhận và sử dụng tr... \n", "\n", " bm25_text \\\n", "0 tiếng việt cũng gọi là tiếng việt nam hay việt... \n", "1 hệ thống thanh điệu phát triển cao hơn hệ thốn... \n", "2 tiếp xúc hán – việt thành 2 giai đoạn chính bu... \n", "3 thêm hàng loạt các yếu tố hán–việt như là chủ ... \n", "4 tiếng hán vẫn có ai đó chấp nhận và sử dụng tr... \n", "\n", " cleaned_text valid \n", "0 Tiếng Việt , cũng gọi là tiếng Việt Nam hay Vi... True \n", "1 hệ thống thanh điệu phát triển cao hơn , hệ th... True \n", "2 tiếp xúc Hán – Việt thành 2 giai đoạn chính : ... True \n", "3 thêm hàng loạt các yếu tố Hán–Việt . Như là \" ... True \n", "4 tiếng Hán vẫn có ai đó chấp nhận và sử dụng tr... True " ] }, "execution_count": 12, "metadata": {}, "output_type": "execute_result" } ], "source": [ "df.head()" ] }, { "cell_type": "code", "execution_count": 13, "metadata": {}, "outputs": [], "source": [ "train_df = pd.DataFrame()\n", "train_df[\"id\"] = [x['id'] for x in train['data']]\n", "train_df[\"title\"] = [x['title'] for x in train['data']]\n", "train_df[\"text\"] = [x['text'] for x in train['data']]" ] }, { "cell_type": "code", "execution_count": 16, "metadata": {}, "outputs": [ { "data": { "text/html": [ "
\n", "\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
idtitletext
0718d41cd997b2b44b0685ac54aa55bd8Trung QuốcThủ tướng Trung Quốc là nhân vật lãnh đạo chín...
1c926e7b0717202618a10dd907d4b4c39có 23 quốc gia không có lực lượng quân đội, ba...
2d38ef5bf1fb82b410026ed82c8a44caeRaymondienneRaymondienne (hay Raymonde Dien) sinh ngày 13 ...
3b6b5589a98fdccd208dc752bac853993Cúp cờ vua thế giớiCúp cờ vua thế giới là tên gọi một số giải đấu...
482396a18fa9812bfec4d3ecb7ae60905ShkharaĐỉnh núi nằm ở phần trung tâm của dãy núi Đại ...
............
20852508022f540c39fe31511f594748759bcErosTrong thần thoại Hy Lạp , \" Eros \" là vị thần ...
2085393c746695c50932ac45ac498a192a3e5Lịch sử hành chính Hà NộiVào thời điểm hiện tại ( 2017 ) , về mặt hành ...
20854c477d4b40045ee4251cf9b2a0482cfc4Nhật ký trong tù“ Nhật ký trong tù ” là một cuốn sổ tay nhỏ , ...
20855278ad127825c085a54fa22116c281f92GoogleTên miền www.google.com được đăng ký ngày 15 t...
2085609ee53a835ea4ed2234aee8161b16d87Dãy núi Hoàng Liên SơnDãy núi Hoàng Liên Sơn rộng 30 km, chạy dài 18...
\n", "

20857 rows × 3 columns

\n", "
" ], "text/plain": [ " id title \\\n", "0 718d41cd997b2b44b0685ac54aa55bd8 Trung Quốc \n", "1 c926e7b0717202618a10dd907d4b4c39 \n", "2 d38ef5bf1fb82b410026ed82c8a44cae Raymondienne \n", "3 b6b5589a98fdccd208dc752bac853993 Cúp cờ vua thế giới \n", "4 82396a18fa9812bfec4d3ecb7ae60905 Shkhara \n", "... ... ... \n", "20852 508022f540c39fe31511f594748759bc Eros \n", "20853 93c746695c50932ac45ac498a192a3e5 Lịch sử hành chính Hà Nội \n", "20854 c477d4b40045ee4251cf9b2a0482cfc4 Nhật ký trong tù \n", "20855 278ad127825c085a54fa22116c281f92 Google \n", "20856 09ee53a835ea4ed2234aee8161b16d87 Dãy núi Hoàng Liên Sơn \n", "\n", " text \n", "0 Thủ tướng Trung Quốc là nhân vật lãnh đạo chín... \n", "1 có 23 quốc gia không có lực lượng quân đội, ba... \n", "2 Raymondienne (hay Raymonde Dien) sinh ngày 13 ... \n", "3 Cúp cờ vua thế giới là tên gọi một số giải đấu... \n", "4 Đỉnh núi nằm ở phần trung tâm của dãy núi Đại ... \n", "... ... \n", "20852 Trong thần thoại Hy Lạp , \" Eros \" là vị thần ... \n", "20853 Vào thời điểm hiện tại ( 2017 ) , về mặt hành ... \n", "20854 “ Nhật ký trong tù ” là một cuốn sổ tay nhỏ , ... \n", "20855 Tên miền www.google.com được đăng ký ngày 15 t... \n", "20856 Dãy núi Hoàng Liên Sơn rộng 30 km, chạy dài 18... \n", "\n", "[20857 rows x 3 columns]" ] }, "execution_count": 16, "metadata": {}, "output_type": "execute_result" } ], "source": [ "train_df" ] }, { "cell_type": "code", "execution_count": 50, "metadata": {}, "outputs": [ { "data": { "text/plain": [ "True" ] }, "execution_count": 50, "metadata": {}, "output_type": "execute_result" } ], "source": [ "len(train_titles)\n", "'Bánh gai Tứ Trụ' in list(train_titles - set(df['title'].unique())) " ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "Nếu `title` của `train_df` không nằm trong `df` thì đó là cleaned `title` (nghĩa là chỉ có một kết quả), ngược lại nếu nằm trong `df` thì là dirty (có nhiều ứng viên cho kết quả dựa vào thuật toán ranked bm25). " ] }, { "cell_type": "code", "execution_count": 51, "metadata": {}, "outputs": [], "source": [ "def find_dirty_text(title, text):\n", " text= \" \".join(word_tokenize(strip_context(text)))\n", " if text[-1] == \".\":\n", " text = text[:-1].strip()\n", " tmp = df[df.title == title].reset_index(drop=True)\n", " if len(tmp) == 0:\n", "# print(title)\n", " return None\n", " for candidate in tmp.cleaned_text:\n", " if text in candidate:\n", "# print(\"Found dirty\")\n", " return candidate\n", " return text" ] }, { "cell_type": "code", "execution_count": 52, "metadata": {}, "outputs": [ { "data": { "application/vnd.jupyter.widget-view+json": { "model_id": "cad2c798e15e47f09d4238f0280e35c9", "version_major": 2, "version_minor": 0 }, "text/plain": [ "VBox(children=(HBox(children=(IntProgress(value=0, description='0.00%', max=3477), Label(value='0 / 3477'))), …" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "train_df[\"dirty_text\"] = train_df.parallel_apply(lambda row: find_dirty_text(row.title, row.text),axis=1)" ] }, { "cell_type": "code", "execution_count": 53, "metadata": {}, "outputs": [ { "data": { "text/html": [ "
\n", "\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
idtitletextdirty_text
0718d41cd997b2b44b0685ac54aa55bd8Trung QuốcThủ tướng Trung Quốc là nhân vật lãnh đạo chín...Thủ tướng Trung Quốc là nhân vật lãnh đạo chín...
1c926e7b0717202618a10dd907d4b4c39có 23 quốc gia không có lực lượng quân đội, ba...None
2d38ef5bf1fb82b410026ed82c8a44caeRaymondienneRaymondienne (hay Raymonde Dien) sinh ngày 13 ...None
3b6b5589a98fdccd208dc752bac853993Cúp cờ vua thế giớiCúp cờ vua thế giới là tên gọi một số giải đấu...Cúp cờ vua thế giới là tên gọi một số giải đấu...
482396a18fa9812bfec4d3ecb7ae60905ShkharaĐỉnh núi nằm ở phần trung tâm của dãy núi Đại ...Shkhara ( ) là núi cao thứ ba trong dãy núi Ka...
...............
20852508022f540c39fe31511f594748759bcErosTrong thần thoại Hy Lạp , \" Eros \" là vị thần ...Eros Trong thần thoại Hy Lạp , \" Eros \" là vị ...
2085393c746695c50932ac45ac498a192a3e5Lịch sử hành chính Hà NộiVào thời điểm hiện tại ( 2017 ) , về mặt hành ...Vào thời điểm hiện tại ( 2017 ) , về mặt hành ...
20854c477d4b40045ee4251cf9b2a0482cfc4Nhật ký trong tù“ Nhật ký trong tù ” là một cuốn sổ tay nhỏ , ...“ Nhật ký trong tù ” là một cuốn sổ tay nhỏ , ...
20855278ad127825c085a54fa22116c281f92GoogleTên miền www.google.com được đăng ký ngày 15 t...Tên miền www.google.com được đăng ký ngày 15 t...
2085609ee53a835ea4ed2234aee8161b16d87Dãy núi Hoàng Liên SơnDãy núi Hoàng Liên Sơn rộng 30 km, chạy dài 18...Dãy núi Hoàng Liên Sơn rộng 30 km , chạy dài 1...
\n", "

20857 rows × 4 columns

\n", "
" ], "text/plain": [ " id title \\\n", "0 718d41cd997b2b44b0685ac54aa55bd8 Trung Quốc \n", "1 c926e7b0717202618a10dd907d4b4c39 \n", "2 d38ef5bf1fb82b410026ed82c8a44cae Raymondienne \n", "3 b6b5589a98fdccd208dc752bac853993 Cúp cờ vua thế giới \n", "4 82396a18fa9812bfec4d3ecb7ae60905 Shkhara \n", "... ... ... \n", "20852 508022f540c39fe31511f594748759bc Eros \n", "20853 93c746695c50932ac45ac498a192a3e5 Lịch sử hành chính Hà Nội \n", "20854 c477d4b40045ee4251cf9b2a0482cfc4 Nhật ký trong tù \n", "20855 278ad127825c085a54fa22116c281f92 Google \n", "20856 09ee53a835ea4ed2234aee8161b16d87 Dãy núi Hoàng Liên Sơn \n", "\n", " text \\\n", "0 Thủ tướng Trung Quốc là nhân vật lãnh đạo chín... \n", "1 có 23 quốc gia không có lực lượng quân đội, ba... \n", "2 Raymondienne (hay Raymonde Dien) sinh ngày 13 ... \n", "3 Cúp cờ vua thế giới là tên gọi một số giải đấu... \n", "4 Đỉnh núi nằm ở phần trung tâm của dãy núi Đại ... \n", "... ... \n", "20852 Trong thần thoại Hy Lạp , \" Eros \" là vị thần ... \n", "20853 Vào thời điểm hiện tại ( 2017 ) , về mặt hành ... \n", "20854 “ Nhật ký trong tù ” là một cuốn sổ tay nhỏ , ... \n", "20855 Tên miền www.google.com được đăng ký ngày 15 t... \n", "20856 Dãy núi Hoàng Liên Sơn rộng 30 km, chạy dài 18... \n", "\n", " dirty_text \n", "0 Thủ tướng Trung Quốc là nhân vật lãnh đạo chín... \n", "1 None \n", "2 None \n", "3 Cúp cờ vua thế giới là tên gọi một số giải đấu... \n", "4 Shkhara ( ) là núi cao thứ ba trong dãy núi Ka... \n", "... ... \n", "20852 Eros Trong thần thoại Hy Lạp , \" Eros \" là vị ... \n", "20853 Vào thời điểm hiện tại ( 2017 ) , về mặt hành ... \n", "20854 “ Nhật ký trong tù ” là một cuốn sổ tay nhỏ , ... \n", "20855 Tên miền www.google.com được đăng ký ngày 15 t... \n", "20856 Dãy núi Hoàng Liên Sơn rộng 30 km , chạy dài 1... \n", "\n", "[20857 rows x 4 columns]" ] }, "execution_count": 53, "metadata": {}, "output_type": "execute_result" } ], "source": [ "train_df" ] }, { "cell_type": "code", "execution_count": 54, "metadata": {}, "outputs": [ { "data": { "text/html": [ "
\n", "\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
idtitletextdirty_text
1c926e7b0717202618a10dd907d4b4c39có 23 quốc gia không có lực lượng quân đội, ba...None
2d38ef5bf1fb82b410026ed82c8a44caeRaymondienneRaymondienne (hay Raymonde Dien) sinh ngày 13 ...None
14361a30769c1a5dca2a7b8f5c7f601982Bánh gai Tứ TrụLàng Mía thuộc hữu ngạn sông Chu, cách thị trấ...None
185d7d3b0d5cd7b2917a2081c3b4d7c8a8Nhà nước Hồi giáo ( chính thể )Khái niệm về nhà nước Hồi giáo hiện đại đã đượ...None
20d7000d411d3f04dee7fa327ef11e3db0Quan hệ Israel – LibanThủ tướng Liban Fouad Siniora cho biết vào thá...None
...............
20804cb4d3b162a56b52a4927ab29b739c7a2Thủy điện An Khê - KanakNhà máy được khởi công xây dựng vào ngày 14 th...None
20834d701dfcba59420604c66e803c9556754Sao HoảSao Hoả còn gọi là : Hoả Tinh , ( Tiếng Anh : ...None
208365769cee0487a9674306d271854244b39Máy quay phim: Phát minh kỳ diệu của anh em Lu...None
208435f420b6d68436b684f33dcded61d5a3cEgil KapstadÔng sinh ra tại Oslo, thủ đô của Na Uy và thàn...None
20846323218bcf129df929716884a1a89e2e3Vật lý học (tiếng Anh: Physics, từ tiếng Hy Lạ...None
\n", "

3498 rows × 4 columns

\n", "
" ], "text/plain": [ " id title \\\n", "1 c926e7b0717202618a10dd907d4b4c39 \n", "2 d38ef5bf1fb82b410026ed82c8a44cae Raymondienne \n", "14 361a30769c1a5dca2a7b8f5c7f601982 Bánh gai Tứ Trụ \n", "18 5d7d3b0d5cd7b2917a2081c3b4d7c8a8 Nhà nước Hồi giáo ( chính thể ) \n", "20 d7000d411d3f04dee7fa327ef11e3db0 Quan hệ Israel – Liban \n", "... ... ... \n", "20804 cb4d3b162a56b52a4927ab29b739c7a2 Thủy điện An Khê - Kanak \n", "20834 d701dfcba59420604c66e803c9556754 Sao Hoả \n", "20836 5769cee0487a9674306d271854244b39 \n", "20843 5f420b6d68436b684f33dcded61d5a3c Egil Kapstad \n", "20846 323218bcf129df929716884a1a89e2e3 \n", "\n", " text dirty_text \n", "1 có 23 quốc gia không có lực lượng quân đội, ba... None \n", "2 Raymondienne (hay Raymonde Dien) sinh ngày 13 ... None \n", "14 Làng Mía thuộc hữu ngạn sông Chu, cách thị trấ... None \n", "18 Khái niệm về nhà nước Hồi giáo hiện đại đã đượ... None \n", "20 Thủ tướng Liban Fouad Siniora cho biết vào thá... None \n", "... ... ... \n", "20804 Nhà máy được khởi công xây dựng vào ngày 14 th... None \n", "20834 Sao Hoả còn gọi là : Hoả Tinh , ( Tiếng Anh : ... None \n", "20836 Máy quay phim: Phát minh kỳ diệu của anh em Lu... None \n", "20843 Ông sinh ra tại Oslo, thủ đô của Na Uy và thàn... None \n", "20846 Vật lý học (tiếng Anh: Physics, từ tiếng Hy Lạ... None \n", "\n", "[3498 rows x 4 columns]" ] }, "execution_count": 54, "metadata": {}, "output_type": "execute_result" } ], "source": [ "train_df[train_df.dirty_text.isna()]" ] }, { "cell_type": "code", "execution_count": 55, "metadata": {}, "outputs": [], "source": [ "dirty_text_dict = dict([x,y] for x,y in zip(train_df.id, train_df.dirty_text))" ] }, { "cell_type": "code", "execution_count": 56, "metadata": {}, "outputs": [], "source": [ "for x in train['data']:\n", " x['dirty_text'] = dirty_text_dict.get(x['id'],x['text'])" ] }, { "cell_type": "code", "execution_count": 57, "metadata": {}, "outputs": [], "source": [ "json.dump(train,open(\"../data/processed/zac2022_train_merged_final.json\",\"wt\"))" ] } ], "metadata": { "kernelspec": { "display_name": "Python 3 (ipykernel)", "language": "python", "name": "python3" }, "language_info": { "codemirror_mode": { "name": "ipython", "version": 3 }, "file_extension": ".py", "mimetype": "text/x-python", "name": "python", "nbconvert_exporter": "python", "pygments_lexer": "ipython3", "version": "3.8.10" } }, "nbformat": 4, "nbformat_minor": 2 }