Top AI Repos — open-source AI, indexed and scored
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
NLP for human. A fast and easy-to-use natural language processing (NLP) toolkit, satisfying your imagination about NLP.
| Date | Stars |
|---|---|
| 2026-07-24 | 283 |
| 2026-07-25 | 283 |
| 2026-07-28 | 283 |
| 2026-07-30 | 283 |
| 2026-08-06 | 283 |
Today
— stars today
This week
— stars this week
This month
— stars this month
Momentum
0.0
growth rate 0.00%/day
<h1 align="center">Fancy-NLP</h1>
<p align="center">NLP for human. A fast and easy-to-use natural language processing (NLP) toolkit, satisfying your imagination about NLP.</p>
<p align="left"><a href="https://github.com/boat-group/fancy-nlp/blob/master/README.md"><sup>→ English version</sup></a></p>
<div align="center">
<img src="./img/fancy-nlp_300-180_white.jpg">
</div>
<p align="center">
<a href="https://github.com/boat-group/fancy-nlp/stargazers">
<img src="https://img.shields.io/github/stars/boat-group/fancy-nlp.svg?colorA=orange&colorB=orange&logo=github" alt="GitHub stars">
</a>
<a href="https://github.com/boat-group/fancy-nlp/network/members">
<img src="https://img.shields.io/github/forks/boat-group/fancy-nlp.svg?colorA=orange&colorB=orange&logo=github" alt="GitHub forks">
</a>
<a href="https://travis-ci.org/boat-group/fancy-nlp">
<img src="https://travis-ci.org/boat-group/fancy-nlp.svg?branch=master" alt="Build status">
</a>
<a href="https://pypi.org/project/fancy-nlp">
<img src="https://img.shields.io/pypi/v/fancy-nlp.svg?colorB=brightgreen" alt="Pypi package">
</a>
<a href="https://pypi.org/project/fancy-nlp">
<img src="https://img.shields.io/pypi/dm/fancy-nlp" alt="PyPI - Downloads">
</a>
<a href="https://github.com/boat-group/fancy-nlp/blob/master/LICENSE">
<img src="https://img.shields.io/github/license/boat-group/fancy-nlp.svg" alt="GitHub license">
</a>
<a href="https://coveralls.io/github/boat-group/fancy-nlp?branch=master">
<img src="https://coveralls.io/repos/github/boat-group/fancy-nlp/badge.svg?branch=master" alt="Coverage status">
</a>
<a href="http://commitizen.github.io/cz-cli/">
<img src="https://img.shields.io/badge/commitizen-friendly-brightgreen.svg" alt="Commitizen friendly">
</a>
</p>
<p align="center">
<a href="#基本介绍">基本介绍</a> •
<a href="#安装">安装</a> •
<a href="#入门指引">入门指引</a> •
<a href="#详细教程">详细教程</a> •
<a href="#荣誉奖励">荣誉奖励</a> •
<a href="#如何贡献代码">如何贡献代码</a> •
<a href="#引用">引用</a> •
<a href="#致谢">致谢</a>
</p>
<h2 align="center">基本介绍</h2>
**Fancy-NLP** 是由腾讯商品广告策略组团队构建的用于建设商品画像的文本知识挖掘工具，其支持诸如实体提取、文本分类和文本相似度匹配等多种常见 NLP 任务。与当前业界常用框架相比，其能够支持用户进行快速的功能实现：既可以满足高阶用户对模型进行深度定制，也可以让普通用户快速利用预训练的模型快速进行功能实践。在当前的商品广告业务场景中，我们利用该工具快速挖掘海量商品数据的特征，从而支持广告商品推荐等模块中。
**项目的初衷**是希望提供一套易用的NLP工具，其直接面向使用场景，满足用户对NLP任务的需求，使得用户无需处理复杂的预处理等中间过程，直接针对输入的自然语言文本来完成多种NLP任务，实现所想即所得！
**Fancy 是什么寓意？**对于当前众多的NLP任务，例如实体识别（Named Entity Recognition, NER）、文本分类以及文本相似度匹配（Sentence Pair Matching, SPM），大多数工具的设计都是偏向于模型的训练和评估。当普通用户希望将这些模型应用于实际业务场景中时，往往需要进行复杂的预处理和部署配置，这些过程往往和用户所期望的流程不符。因此 **Fancy** 的寓意为**满足你的想象**，你可以在 Fancy-NLP 中实现对 NLP 任务各个环节的一键式处理，高效将模型应用于实际的需求场景中。
<h2 align="center">安装</h2>
**Fancy-NLP** 当前支持在Python 3环境下使用，且在Python 3.6中进行了完整的测试。当前的版本中已全面依赖 **Tensorflow 2.x**，如果你对模块的兼容性有所担忧，我们建议你使用 [virtualenv](https://virtualenv.pypa.io/en/latest/) 来创建虚拟环境以使用本工具。
Fancy-NLP 支持使用 `pip` 来进行一键式安装：
```bash
pip install fancy-nlp
```
<h2 align="center">入门指引</h2>
在入门指引中，我们将使用预训练模型来带你快速了解和体验 Fancy-NLP 的基本功能。
*注：我们将在随后不断优化多种场景（不同标注数据）的实体识别模型，以供用户直接使用，如果你有相关数据集，也欢迎在 issue 中给我们积极反馈*
### 实体识别使用指引
当前版本的 Fancy-NLP 可以默认加载使用了 [MSRA NER 子集数据](https://github.com/juand-r/entity-recognition-datasets) 训练得到的NER模型，其能够对中文文本中的组织机构（ORG）、地点（LOC）以及人物（PER）实体进行识别，默认加载的基础模型是为了便于用户直接体验。若想直接使用自己训练的自定义模型，你可以参照后续**详细教程**中的介绍，来构建你的实体提取系统。
#### 初始化实体识别应用程序
```python
>>> from fancy_nlp.applications import NER
>>> ner_app = NER()
```
第一次运行以上代码时，会从云端下载预训练的 NER 模型。
#### 输出文本中的实体信息
```python
>>> ner_app.analyze('同济大学位于上海市杨浦区，校长为陈杰')
{'text': '同济大学位于上海市杨浦区，校长为陈杰',
'entities': [
{'name': '同济大学',
'type': 'ORG',
'score': 1.0,
'beginOffset': 0,
'endOffset': 4},
{'name': '上海市',
'type': 'LOC',
'score': 1.0,
'beginOffset': 6,
'endOffset': 9},
{'name': '杨浦区',
'type': 'LOC',
'score': 1.0,
'beginOffset': 9,
'endOffset': 12},
{'name': '陈杰',
'type': 'PER',
'score': 1.0,
'beginOffset': 16,
'endOffset': 18}]}
```
#### 限制输出结果中，每种实体只保留一个实体，取得分最高Excerpt of 23,382 characters
Read on GitHubWould you bet a product on this? Bounded 0–100 and slow moving.
matched fp:8c511cb793bc9f65, topic:nlp, topic:named-entity-recognition, topic:text-classification