SIF4Sci 使用示例¶

概述¶

SIFSci 是一个提供试题切分和标注的模块。它可定制化的将文本切分为令牌（token）序列，为后续试题的向量化做准备。

本文将以下面这道题目（来源自 LUNA 题库）为例，展示 SIFSci 的使用方法。

[5]:

item = {
  "stem": r"如图来自古希腊数学家希波克拉底所研究的几何图形．此图由三个半圆构成，三个半圆的直径分别为直角三角形$ABC$的斜边$BC$, 直角边$AB$, $AC$.$\bigtriangleup ABC$的三边所围成的区域记为$I$,黑色部分记为$II$, 其余部分记为$III$.在整个图形中随机取一点，此点取自$I,II,III$的概率分别记为$p_1,p_2,p_3$,则$\SIFChoice$$\FigureID{1}$",
  "options": ["$p_1=p_2$", "$p_1=p_3$", "$p_2=p_3$", "$p_1=p_2+p_3$"]
}
item["stem"]

[5]:

'如图来自古希腊数学家希波克拉底所研究的几何图形．此图由三个半圆构成，三个半圆的直径分别为直角三角形$ABC$的斜边$BC$, 直角边$AB$, $AC$.$\\bigtriangleup ABC$的三边所围成的区域记为$I$,黑色部分记为$II$, 其余部分记为$III$.在整个图形中随机取一点，此点取自$I,II,III$的概率分别记为$p_1,p_2,p_3$,则$\\SIFChoice$$\\FigureID{1}$'

加载图片： $\\FigureID{1}$

[6]:

from PIL import Image
img = Image.open("../../asset/_static/item_figure.png")
figures = {"1": img}
img

[6]:

../../../_images/build_blitz_sif_sif_5_0.png

导入模块¶

[2]:

from EduNLP.SIF import sif4sci, is_sif, to_sif

验证题目格式¶

[7]:

is_sif(item['stem'])

[7]:

True

若发现题目因为公式没有包含在 $$ 中而不符合 SIF 格式，则可以使用 to_sif 模块转成标准格式。示例如下：

[8]:

text = '某校一个课外学习小组为研究某作物的发芽率y和温度x（单位...'
is_sif(text)

[8]:

False

[9]:

text = '某校一个课外学习小组为研究某作物的发芽率y和温度x（单位...'
to_sif(text)

[9]:

'某校一个课外学习小组为研究某作物的发芽率$y$和温度$x$（单位...'

题目切分及令牌化¶

现在我们得到了符合标准格式的题目文本，接下来可以对题目做进一步的预训练，例如：切分和令牌化。

题目切分¶

基本切分¶

分离文本、公式、图片和特殊符号。

[12]:

segments = sif4sci(item["stem"], figures=figures, tokenization=False)
segments

[12]:

['如图来自古希腊数学家希波克拉底所研究的几何图形．此图由三个半圆构成，三个半圆的直径分别为直角三角形', 'ABC', '的斜边', 'BC', ', 直角边', 'AB', ', ', 'AC', '.', '\\bigtriangleup ABC', '的三边所围成的区域记为', 'I', ',黑色部分记为', 'II', ', 其余部分记为', 'III', '.在整个图形中随机取一点，此点取自', 'I,II,III', '的概率分别记为', 'p_1,p_2,p_3', ',则', '\\SIFChoice', \FigureID{1}]

文本部分

[13]:

segments.text_segments

[13]:

['如图来自古希腊数学家希波克拉底所研究的几何图形．此图由三个半圆构成，三个半圆的直径分别为直角三角形',
 '的斜边',
 ', 直角边',
 ', ',
 '.',
 '的三边所围成的区域记为',
 ',黑色部分记为',
 ', 其余部分记为',
 '.在整个图形中随机取一点，此点取自',
 '的概率分别记为',
 ',则']

公式部分

[15]:

segments.formula_segments

[15]:

['ABC',
 'BC',
 'AB',
 'AC',
 '\\bigtriangleup ABC',
 'I',
 'II',
 'III',
 'I,II,III',
 'p_1,p_2,p_3']

图片部分

[16]:

segments.figure_segments

[16]:

[\FigureID{1}]

[17]:

segments.figure_segments[0].figure

[17]:

../../../_images/build_blitz_sif_sif_23_0.png

特殊符号

[19]:

segments.ques_mark_segments

[19]:

['\\SIFChoice']

标记化切分¶

如果您不注重题目文本和公式的具体内容，仅仅是对题目的整体（或部分）构成感兴趣，那么可以通过修改 symbol 参数来将不同的成分转化成特定标记，方便您的研究。

symbol:
- “t”: text
- “f”: formula
- “g”: figure
- “m”: question mark

[11]:

sif4sci(item["stem"], figures=figures, tokenization=False, symbol="tfgm")

[11]:

['[TEXT]', '[FORMULA]', '[TEXT]', '[FORMULA]', '[TEXT]', '[FORMULA]', '[TEXT]', '[FORMULA]', '[TEXT]', '[FORMULA]', '[TEXT]', '[FORMULA]', '[TEXT]', '[FORMULA]', '[TEXT]', '[FORMULA]', '[TEXT]', '[FORMULA]', '[TEXT]', '[FORMULA]', '[TEXT]', '[MARK]', '[FIGURE]']

令牌化¶

为了方便后续向量化表征试题，本模块提供题目文本的令牌化解析（Tokenization），即将题目转换成令牌序列。

根据构成题目的元素类型，解析功能分为 “文本解析” 和 “公式解析” 两部分。更具体的过程解析参见令牌化。

[20]:

tokens = sif4sci(item["stem"], figures=figures, tokenization=True)

文本解析结果

[12]:

tokens.text_tokens

[12]:

['如图',
 '古希腊',
 '数学家',
 '希波',
 '克拉底',
 '研究',
 '几何图形',
 '此图',
 '三个',
 '半圆',
 '三个',
 '半圆',
 '直径',
 '直角三角形',
 '斜边',
 '直角',
 '三边',
 '围成',
 '区域',
 '记',
 '黑色',
 '记',
 '其余部分',
 '记',
 '图形',
 '中',
 '随机',
 '取',
 '一点',
 '此点',
 '取自',
 '概率',
 '记']

公式解析结果¶

[13]:

tokens.formula_tokens

[13]:

['ABC',
 'BC',
 'AB',
 'AC',
 '\\bigtriangleup',
 'ABC',
 'I',
 'II',
 'III',
 'I',
 ',',
 'II',
 ',',
 'III',
 'p',
 '_',
 '1',
 ',',
 'p',
 '_',
 '2',
 ',',
 'p',
 '_',
 '3']

自定义参数，得到定制化解析结果

（1）如果您想按 latex 语法标记拆分公式的各个部分，并得到顺序序列结果，输出方法（method）可以选择：linear

[37]:

sif4sci(
    item["stem"],
    figures=figures,
    tokenization=True,
    tokenization_params={
        "formula_params": {
            "method": "linear",
        }
    }
).formula_tokens

[37]:

['ABC',
 'BC',
 'AB',
 'AC',
 '\\bigtriangleup',
 'ABC',
 'I',
 'II',
 'III',
 'I',
 ',',
 'II',
 ',',
 'III',
 'p',
 '_',
 '1',
 ',',
 'p',
 '_',
 '2',
 ',',
 'p',
 '_',
 '3']

（2）如果您想得到公式解析出的语法分析树序列，输出方法可以选择：ast > 抽象语法分析树，简称语法树（Syntax tree），是源代码语法结构的一种抽象表示。它以树状的形式表现编程语言的语法结构，树上的每个节点都表示源代码中的一种结构。

> 因此，ast 可以看做是公式的语法结构表征。

[39]:

sif4sci(
    item["stem"],
    figures=figures,
    tokenization=True,
    tokenization_params={
        "formula_params":{
            "method": "ast",
        }
    }
).formula_tokens

[39]:

[<Formula: ABC>,
 <Formula: BC>,
 <Formula: AB>,
 <Formula: AC>,
 <Formula: \bigtriangleup ABC>,
 <Formula: I>,
 <Formula: II>,
 <Formula: III>,
 <Formula: I,II,III>,
 <Formula: p_1,p_2,p_3>]

语法树展示：

[109]:

f = sif4sci(
    item["stem"],
    figures=figures,
    tokenization=True,
    tokenization_params={
        "formula_params":{
            "method": "ast",
            "return_type": "ast",
            "ord2token": True,
            "var_numbering": True,
        }
    }
).formula_tokens
f

[109]:

[<networkx.classes.digraph.DiGraph at 0x7f6d28ca3940>,
 <networkx.classes.digraph.DiGraph at 0x7f6d28cb5a60>,
 <networkx.classes.digraph.DiGraph at 0x7f6d28caba30>,
 <networkx.classes.digraph.DiGraph at 0x7f6d26b28fd0>,
 <networkx.classes.digraph.DiGraph at 0x7f6d28cd4490>,
 <networkx.classes.digraph.DiGraph at 0x7f6d28cd4d90>,
 <networkx.classes.digraph.DiGraph at 0x7f6d28c843a0>,
 <networkx.classes.digraph.DiGraph at 0x7f6d28c84ee0>,
 <networkx.classes.digraph.DiGraph at 0x7f6d28c84610>,
 <networkx.classes.digraph.DiGraph at 0x7f6d28c84b50>]

[110]:

for i in range(0, len(f)):
    ForestPlotter().export(
        f[i], root_list=[node for node in f[i]],
    )
# plt.show()

（3）如果您只是关心公式的结构和类型，并不关心变量具体是什么，比如二元二次方程 x^2 + y = 1 ，它从公式结构和类型上来说，和 w^2 + z = 1 没有区别。

此时，您可以设置如下参数：ord2token = True，将公式变量名转换成 token

[40]:

sif4sci(
    item["stem"],
    figures=figures,
    tokenization=True,
    tokenization_params={
        "formula_params":{
            "method": "ast",
            "return_type": "list",
            "ord2token": True,
        }
    }
).formula_tokens

[40]:

['mathord',
 'mathord',
 'mathord',
 'mathord',
 'mathord',
 'mathord',
 'mathord',
 'mathord',
 'mathord',
 '\\bigtriangleup',
 'mathord',
 'mathord',
 'mathord',
 'mathord',
 'mathord',
 'mathord',
 'mathord',
 'mathord',
 'mathord',
 'mathord',
 ',',
 'mathord',
 'mathord',
 ',',
 'mathord',
 'mathord',
 'mathord',
 'mathord',
 'textord',
 '\\supsub',
 ',',
 'mathord',
 'textord',
 '\\supsub',
 ',',
 'mathord',
 'textord',
 '\\supsub']

（4）如果您除了（3）中提供的功能之外，还需要区分不同的变量。此时可以另外设置参数：var_numbering=True

[44]:

sif4sci(
    item["stem"],
    figures=figures,
    tokenization=True,
    tokenization_params={
        "formula_params":{
            "method": "ast",
            "ord2token": True,
            "return_type": "list",
            "var_numbering": True
        }
    }
).formula_tokens

[44]:

['mathord_0',
 'mathord_1',
 'mathord_2',
 'mathord_1',
 'mathord_2',
 'mathord_0',
 'mathord_1',
 'mathord_0',
 'mathord_2',
 '\\bigtriangleup',
 'mathord_0',
 'mathord_1',
 'mathord_2',
 'mathord_3',
 'mathord_3',
 'mathord_3',
 'mathord_3',
 'mathord_3',
 'mathord_3',
 'mathord_3',
 ',',
 'mathord_3',
 'mathord_3',
 ',',
 'mathord_3',
 'mathord_3',
 'mathord_3',
 'mathord_4',
 'textord',
 '\\supsub',
 ',',
 'mathord_4',
 'textord',
 '\\supsub',
 ',',
 'mathord_4',
 'textord',
 '\\supsub']

综合训练¶

综合上述方法，将题目转换成令牌序列，为后续向量化做准备。

[96]:

sif4sci(item["stem"], figures=figures, tokenization=True,
        symbol="fgm")

[96]:

['如图', '古希腊', '数学家', '希波', '克拉底', '研究', '几何图形', '此图', '三个', '半圆', '三个', '半圆', '直径', '直角三角形', '[FORMULA]', '斜边', '[FORMULA]', '直角', '[FORMULA]', '[FORMULA]', '[FORMULA]', '三边', '围成', '区域', '记', '[FORMULA]', '黑色', '记', '[FORMULA]', '其余部分', '记', '[FORMULA]', '图形', '中', '随机', '取', '一点', '此点', '取自', '[FORMULA]', '概率', '记', '[FORMULA]', '[MARK]', '[FIGURE]']