Крем Natura Bisse Diamond White Oil-Free Brilliant Sun Protection Broad Spectrum SPF 50 PA+++ — «Прекрасный тональный с защитой от солнечных лучей и деликатным сиянием кожи. Тем кто за ровную красивую кожу без веснушек и пятен.»

Снова я нашла мега мастхэв для себя) разрываюсь между чудесными своими баночками, но не могу остановиться… Новая любовь от натура биссе Крем Natura Bisse Diamond White Oil-Free Brilliant Sun Protection Broad Spectrum SPF 50 PA+++

попал мне в куче пробников и почти сразу в полном размере оказался на моей полочке волшебных средств ухода.

Не думала, что это тон. На упаковке ни слова про это. Очень подкупила и заставила открыть надпись о солнцезащитном факторе 50. На том и сошлись.

первые пару раз были испробованы в обычные дни, без супер солнца… Обычный день пол дня в помещении, половина на бегу и за рулем. Санскрины на мне всегда и я привыкла к тому, что лицо под защитой и не обратила бы внимания на этот бриллиант, но в один день я обычно нанеся этот крем на лицо и шею поехала в особые условия-солнце, бассейн у меня в планах загар и купание не стояли. Но пришлось с детьми и в бассейн лезть и подвергаться солнечным лучам. Плечи и грудь подгорели, лицу хоть бы что. Белое и ни намека на веснушки. То есть та часть где был крем( лицо и шея) белые. Очень интересно. Решила сразу, что этот красавчик должен быть в моем уходе. Теперь про сам крем,он густой, тает на пальцах и наносится очень хорошо, пластичный, я с пробника намазалась 4 раза. Очень ровно ложится, поры не подчеркивает, лицо выглаживает. В креме есть какие-то добавления для сияния, кожа как светится, холеный такой тон, как с хайлайтером, но очень деликатно. Можно использовать без пудры, с пудрой вообще кожа супер. Скажу, что у крема очень хорошая кроющая способность, очень хорошо скроет небольшое покраснение, веснушки и пятна. Скажу, что у меня лицо с хорошим уходом, вымытое, гладкое, без шелушений, но сам факт того, что крем не западает в поры и не подчеркивает их -мне нравится. Еще тон адаптируется к светлой коже. То есть у меня не было видно перехода, кожа как была светлая так и осталась. При умывании чувствуется этот крем, что он есть на лице, мою тщательно. В целом, имхо, цена высока, но оправдана, абсолютно, не прицепишься. Рекомендую очень всем возрастам и особенно белоснежкам, кто блюдет ровный светлый тон кожи и просто хочет получить супер тон на лице. Если сверху крема покрыть пудрой лицо как с обложки, как с фильтрами, хотя лично у меня оч проблемная кожа, поры не идеальны. Поры не забивает, аллергии не вызвал, кстати нет с этим проблем, но я несколько раз наносила под нлаза -отлично. Не забивается, не скатывается, хорошо скрывает недосып)

Учитывая это считаю цену далеко не безумной, хотя да, дорого. Но минусом не могу назвать.

Комплексная терапия аллергических проявлений в период обострения

Раздел только для специалистов в сфере медицины, фармации и здравоохранения!

Медицинский совет, № 7, 2015

Е.Н. МЕДУНИЦЫНА, к.м.н., старший научный сотрудник отделения Иммунодефицитов ФГБУ «ГНЦ Институт иммунологии» ФМБА России

Лечение обострения аллергических заболеваний — задача, которая решается комплексом мероприятий медикаментозного и немедикаментозного характера. Несмотря на достаточно широкий спектр лекарственных средств, использующихся для лечения обострения аллергических заболеваний с поражением различных органов и систем, наиболее часто применяющимися препаратами остаются антигистаминные препараты и глюкокортикостероиды. Эти группы препаратов оказывают наиболее выраженный клинический эффект, связанный с фармакологическими особенностями указанных лекарственных средств, позволяющими достаточно быстро воздействовать практически на все стадии аллергической реакции. В аллергологической практике также находят достаточно широкое применение другие противоаллергические препараты — антагонисты лейкотриеновых рецепторов, стабилизаторы мембран тучных клеток и др. Основная задача аллерголога-иммунолога состоит в выборе правильной тактики ведения больного в период обострения, подбор адекватной противоаллергической терапии с учетом индивидуальных особенностей пациента, характера течения и тяжести обострения заболевания.

Лечение аллергических заболеваний — это целый комплекс профилактических и терапевтических мероприятий, направленных на купирование обострения, а также предотвращение рецидивов и прогрессирования заболевания.

Аллергия (греч. аllos — другой и ergon — действие) — состояние измененной реактивности организма, проявляющееся повышением его иммунологически опосредованной чувствительности к различным веществам экзогенного и эндогенного происхождения — аллергенам (веществам, вызывающим сенсибилизацию организма и аллергические реакции — чужеродные белки, липиды, мукополисахариды, соединения небелковой природы, некоторые низкомолекулярные вещества — гаптены). Первичный контакт организма с аллергеном, который может осуществляться разными путями — парентерально, ингаляционно, энтерально, через кожу или слизистые, при наличии генетической предрасположенности к подобному способу реагирования, приводит к сенсибилизации, которая в свою очередь сопровождается образованием антител или сенсибилизированных лимфоцитов. При повторном попадании аллергена развивается аллергическая реакция по немедленному или замедленному типу, включающая 3 стадии. В иммунологической стадии повторное попадание аллергена в организм приводит к реакции аллергических антител или сенсибилизированных лимфоцитов с аллергеном. В патохимической стадии происходит ряд биохимических реакций, приводящих к высвобождению медиаторов из клеток. Патофизиологическая стадия характеризуется наличием клинических проявлений замедленного и немедленного типа. Основными патофизиологическими изменениями при аллергической реакции являются сокращение гладкой мускулатуры, расширение мелких сосудов и капилляров, выход жидкости во внесосудистое пространство.

Существует целый ряд заболеваний, в основе который лежит аллергический процесс. Аллергические болезни — (греч. аllos — другой и ergon — действие) — группа заболеваний человека, обусловленных повышением чувствительности к экзоаллергенам: аллергический ринит, аллергический конъюнктивит, бронхиальная астма, атопический и контактный аллергический дерматит, аллергическая крапивницы и отек Квинке, лекарственная аллергия, пищевая и инсектная аллергия и др. Существуют аллергические нозологии, в генезе которых участвует несколько типов аллергической реакции, а также группа заболеваний, в которых аллергический процесс является компонентом основного заболевания. Клиническая картина аллергии зависит от пути попадания аллергена в организм, типа аллергической реакции и локализации аллергического воспаления. Аллергические заболевания протекают с поражением дыхательного тракта, кожи и слизистых, сердечно-сосудистой и других систем организма. Степень тяжести состояния при обострении аллергических заболеваний может варьировать от легкой до крайне тяжелой. Острые реакции, в т. ч. при лекарственной аллергии, могут приводить к тяжелой полиорганной недостаточности.

Лечение

Воздействие на аллергическое воспаление предполагает не только применение фармакотерапии, но и выполнение ряда профилактических мер. В случае легких обострений, не требующих госпитализации в стационар, лечение проводится амбулаторно под динамическим наблюдением аллерголога-иммунолога с коррекцией терапии по результатам оценки состояния больного в динамике. При более тяжелых обострениях аллергического заболевания пациенту показана госпитализация в аллергологический стационар или, в случаях развития острой анафилактической реакции, астматического статуса и др. жизнеугрожающих состояний — в отделение реанимации и интенсивной терапии.

К немедикаментозным методам лечения аллергических заболеваний относятся мероприятия, направленные на элиминацию причинно-значимого аллергена и провоцирующих факторов. Элиминация аллергена — основополагающая мера, которая применяется как на этапе купирования обострения заболевания, так и в последующий период, и должна осуществляться при любой форме аллергии. В каждом отдельном случае рассматривается комплекс элиминационных мероприятий: назначение гипоаллергенной диеты, проведение мероприятий, направленных на исключение или минимизацию контакта с лекарственными, ингаляционными, инсектными, пищевыми и другими аллергенами. От своевременности выполнения элиминационных мероприятий во многом зависит длительность и эффективность лечения [1].

Фармакотерапия обострения аллергического заболевания

В период обострения аллергического заболевания первостепенным является правильный выбор тактики ведения пациента. Купирование обострения или острого состояния и контроль над симптомами аллергии осуществляется целым рядом лекарственных средств, относящихся к разным фармакологическим группам. Разработка индивидуального комплекса противоаллергических средств должна осуществляться с учетом клинической картины заболевания, антропометрических данных и физиологических особенностей пациента и других параметров.

Существует основной перечень лекарственных препаратов, использующихся для лечения обострения аллергических заболеваний. Но надо учитывать и тот факт, что при тяжелых обострениях, как правило, применяется более широкий спектр лекарственных средств, как симптоматических, так и направленных на борьбу с системными нарушениями, септическими и иными осложнениями. В случае развития тяжелых обострений с признаками полиорганной недостаточности (в т. ч. при тяжелых реакциях на лекарственные средства) применяются различные средства и методы дезинтоксикационной терапии, лечение метаболических нарушений. При наличии инфекционных осложнений применяются антибактериальные, антимикотические препараты, проводятся санационные мероприятия. При выборе препарата, его дозы и длительности курса лечения оценивается эффективность и переносимость лекарственного средства, физиологические и антропометрические данные больного, его возраст и пр. При лечении обострения аллергического заболевания у детей и беременных женщин также учитывается профиль безопасности препаратов, уделяется особое внимание форме препарата и его дозировке [2].

Основные противоаллергические средства, использующиеся в период обострения аллергического заболевания:

1. Блокаторы Н1-рецепторов к гистамину.
2. Глюкокортикостероидные препараты.
3.Другие лекарственные средства (антихолинолитики, блокаторы лейкотриеновых рецепторов, антигистаминные препараты, обладающие мембраностабилизирующим действием).

Блокаторы Н1-рецепторов к гистамину (антигистаминные препараты)

Антигистаминные препараты — группа лекарственных средств, действие которых опосредуется их взаимодействием с рецепторами гистамина на клетках и различных тканях.

Одним из самых важных медиаторов аллергии является гистамин. Антагонисты Н1-рецепторов гистамина имеют структурное сходство с гистамином и блокируют указанные рецепторы по принципу конкуренции с гистамином. Действие антагонистов носит обратимый характер.

Гистамин — 5[2-аминоэтил] имидазол — образуется из аминокислоты гистидин при действии на нее фермента клеточной цитоплазмы — гистидиндекарбоксилазы. Гистамин депонируется в гранулах базофилов, тучных клеток, локализующихся в органах-мишенях, и находится в связанном состоянии с белковым и протеогликановым матриксом гранул, имеет сродство к гепарино-белковому комплексу гранул соединительно-тканных тучных клеток. При аллергической реакции активация тучных клеток и базофилов приводит к вытеснению гистамина из гранул. Фармакологическое действие гистамина на организм опосредуется через четыре типа гистаминовых рецепторов (Н1, Н2, Н3, Н4). Локализация Н1-рецепторов — гладкие мышцы бронхов, артерий, пищеварительной системы и мочевого пузыря, сердце и головной мозг. Через Н1-рецепторы гистамин вызывает сокращение гладкой мускулатуры бронхов, желудка, кишечника, желчного и мочевого пузыря, сосудов малого круга кровообращения, повышает проницаемость сосудов, увеличивает внутриклеточное содержание цГМФ, усиливает секрецию слизи слизистыми железами носа, вызывает хемотаксис эозинофилов, нейтрофилов и усиливает образование простаноидов (простагландинов F2, F2, D2, тромбоксана, простациклина). Клиническими проявлениями действия гистамина являются: зуд кожи и слизистых, волдырная реакция, формирование отека слизистых и гиперсекреция слизи в дыхательных путях, бронхоспазм, боли, усиление продукции пепсина, соляной кислоты в желудке, падение артериального давления, нарушение сердечного ритма и ряд других нарушений. Существующие на данный момент антигистаминные лекарственные средства подразделяют на препараты I и II поколения. По форме лекарственного средства антигистаминные подразделяются на препараты системного (пероральные и парентеральные формы) и местного (в виде средств для нанесения на кожу, а также интраназальных средств и капель для глаз).

Антигистаминные препараты I поколения

Основные представители I поколения АГ — хлоропирамин, клемастин, дифенгидрамин, ципрогептадин, гидроксизин, хифенадин, мебгидролин, диметинден, и др. Препараты могут оказывать блокирующее действие не только на Н1-рецепторы, но и на рецепторы других медиаторов, в т.ч. холинорецепторы и адренорецепторы, чем определяется различие их клинических эффектов. Некоторые лекарственные средства обладают антисеротониновой (пиперидины) и антидопаминовой (фенотиазины) активностью. Некоторые антигистаминные препараты обладают свойствами местных анестетиков, оказывают стабилизирующее действие на мембраны, хинидиноподобные эффекты на сердечную мышцу, что может проявляться уменьшением рефрактерной фазы и развитием желудочковой тахикардии [3, 4]. Антигистаминные препараты I поколения обладают липофильностью и способностью проникать через гематоэнцефалический барьер. Этим обусловлен их седативный эффект. Помимо этого, они могут затруднять отхождение вязкой мокроты из бронхов при наличии сопутствующих бронхолегочных заболеваний, в т. ч. бронхиальной астмы. Действие Н1-блокаторов I поколения кратковременное, в связи с чем необходимо неоднократное применение препаратов в течение суток, а развитие тахифилаксии диктует необходимость чередования разных групп препаратов каждые 2—3 недели.

Фармакологические особенности этой группы препаратов хоть и ограничивают возможность их назначения, однако, несмотря на существующие побочные эффекты, антигистаминные препараты I поколения по-прежнему широко используются в аллергологической практике, в том числе их парентеральные формы (клемастин, хлоропирамин, дифенгидрамин). Показанием к парентеральному введению указанных средств являются острые аллергические реакции, требующие немедленного медикаментозного вмешательства. Парентеральный путь введения обеспечивает хорошую биодоступность и быстрое начало действия препарата. Это особенно актуально при лечении острых проявлений аллергии: крапивницы, отека Квинке, аллергического дерматита, острых тяжелых форм ринита/конъюнктивита, различных форм лекарственной, пищевой и инсектной аллергии и пр. Однако необходимо учитывать и тот факт, что при развитии острых аллергических реакций, сопровождающихся значимым снижением артериального давления (анафилактический шок), применение системных антигистаминных препаратов может усугубить гипотонию. Н1-блокаторы I поколения благодаря своей способности блокировать рецепторы других медиаторов также находят свое применение у пациентов с аллергическими заболеваниями, чаще аллергодерматозами, сопровождающимися выраженным зудом, у которых избирательное воздействие на Н1-рецепторы не приводит к формированию достаточного клинического ответа. В ряде случаев также возможно местное применение антигистаминных препаратов I поколения в составе местных лекарственных средств, в частности, в виде геля. Некоторые препараты (антазолин, диметинден и дифенгидрамин) применяются в виде интраназальных средств и средств для нанесения на кожу в качестве моно- или комбинированной терапии у пациентов с аллергическим ринитом и зудящими дерматозами.

Антигистаминные препараты II поколения

Антигистаминные препараты II поколения обладают избирательным действием на Н1-рецепторы и не блокируют рецепторы других медиаторов (в частности, ацетилхолина, катехоламинов, дофамина) и, вследствие этого, не дают многих побочных эффектов, свойственных Н1-антагонистам I поколения [3, 4]. По сравнению с антигистаминными препаратами I поколения они обладают значительно меньшей способностью проникать через гематоэнцефалический барьер и, соответственно, не вызывают или вызывают крайне незначительное седативное действие. В связи с более продолжительным действием антигистаминные препараты II поколения отличаются более удобным режимом приема и могут применяться один раз в сутки. Тахифилаксии при приеме этой группы препаратов также не возникает.

Представители антигистаминных препаратов II поколения: акривастин, азеластин, эбастин, меквитазин, мизоластин, рупатадин, лоратадин, левоцетиризин, цетиризин, фексофенадин и дезлоратадин. Последние три из указанных препаратов некоторые специалисты относят к III поколению АГ препаратов, не имеющих тех побочных эффектов, которые присутствуют у АГ I и II поколения. Они являются фармакологически активными метаболитами Н1-блокаторов и могут подавлять как раннюю, так и позднюю фазу аллергического ответа [4].

Инструкция к некоторым антигистаминным препаратам II поколения также содержит информацию о предостережениях, связанных с приемом этих препаратов. Согласно рекомендациям Экспертов Европейской академии аллергологии и клинической иммунологии по безопасному применению антигистаминных средств следует избегать одновременного назначения препаратов, которые конкурируют с Н1-блокаторами, вовлекающие в метаболизм цитохром Р450. В конечной биотрансформация активных метаболитов препаратов II поколения изофермент CYP3А4 цитохрома Р450 не участвует, поэтому эта группа лекарственных средств характеризуются высоким профилем безопасности.

Топические антигистаминные препараты азеластин, левокабастин относятся к препаратам II поколения. Они обладают антигистаминным, мембраностабилизирующим и противовоспалительным действием. Для местных антигистаминных препаратов характерно достижение достаточно высоких локальных концентраций препарата при низкой дозе и быстрое начало терапевтического эффекта (через 15 мин после применения). Препараты могут использоваться как в монотерапии, так и в сочетанной терапии легких форм аллергического ринита/конъюнктивита.

Глюкокортикостероидные препараты

Глюкокортикостероиды (ГКС) воздействуют на разные фазы аллергического воспаления. Противовоспалительный эффект обусловлен целым комплексом воздействия на аллергическое воспаление: снижением проницаемости сосудистой стенки, торможением миграции лимфоцитов, эозинофилов, моноцитов в очаг воспаления. ГКС стабилизируют клеточные мембраны, тормозят пролиферативный процесс, повышают чувствительность к -агонистам, а также обладают иммуносупрессивным действием, проявляющимся в угнетении Т и В–лимфоцитов.

Глюкокортикостероиды применяются в разных формах — парентерально, перорально, а также в виде средств для ингаляционного введения, интраназально, конъюнктивально, местно с нанесением на кожные покровы.

Основные группы системных глюкокортикостероидов, использующиеся в клинической практике: гидрокортизоновая, преднизолоновая, триамцинолоновая, дексаметазоновая группы. По продолжительности угнетения адренокортикотропного гормона после разовой дозы глюкокортикостероиды подразделяются на препараты:

— короткого действия (24—36 часов) — гидрокортизон, преднизолон, преднизон, метилпреднизолон;
— промежуточного действия (до 48 часов) — триампцинолон;
— длительного действия (свыше 48 часов) — бетаметазон, дексаметазон.

Фармакокинетика глюкокортикостероидов представлена в таблице 1.

Системные глюкокортикостероиды могут применяться для лечения обострения практически любого аллергического заболевания: бронхиальной астмы, атопического дерматита, крапивницы, отека Квинке, различных проявлени лекарственной, пищевой и инсектной аллергии. Однако при длительном применении ГКС возможно развитие ряда нежелательных явлений: нарушение электролитного обмена, повышение артериального давления, прибавка в весе, формирование остеопороза, миопатия, атрофия надпочечников, нарушение углеводного обмена и др. Поэтому, решение о применении системных глюкокортиостероидов должно быть обоснованным. В период терапии важен мониторинг состояния пациента, своевременная профилактика инфекционных, метаболических и других осложнений, связанных с применением указанной группы препаратов. Применение системных ГКС при аллергическом рините и конъюнктивита нежелательно в связи с большим количеством побочных эффектов, развивающихся вследствие их применения. Препараты могут быть назначены только при тяжелом течении аллергического ринита (конъюнктивита) коротким курсом и при полном отсутствии эффекта комплексной противоаллергической терапии, включающей топические ГКС.

Ингаляционные глюкокортикостероиды (ИГКС) применяются для базисной терапии бронхиальной астмы средней и тяжелой степени, а также для купирования обострения бронхиальной астмы. К ингаляционным глюкокортикоидам относятся беклометазон, будесонид, флутиказон, мометазон, триамцинолон. Ингаляционные глюкокортикостероиды действуют в минимальных дозах, отличаются выраженным местным противовоспалительным действием, быстро инактивируются. ИГКС снижают бронхиальную реактивность и бронхиальную секрецию, потенциируют действие бета2-адреномиметиков, характеризуются низкой системной биодоступностью. Системное действие у ИГКС минимальное, однако, оно может иметь клиническое значение в случае длительного применения препаратов в высоких дозах. Как правило, в случае обострения бронхиальной астмы применяется будесонид в виде раствора для небулайзера (удобной и эффективной системы доставки препарата в легкие). При обострении бронхиальной астмы ИГКС можно сочетать с применением системных ГКС, особенно при существенной бронхиальной обструкции, затрудняющей попадание препарата в нижние отделы дыхательных путей. Однако при отсутствии показаний к дальнейшему введению системных ГКС, пациент переводится на ингаляционные препараты. ИГКС нередко применяются в комбинации с другими ингаляционными препаратами (чаще, β2-агонистами), а также другими группами лекарственных средств, обладающих бронхолитической и противовоспалительной активностью. Интраназальные ГКС являются самыми эффективными средствами в лечении обострения аллергического ринита [5]. Основными представителями интраназальных ГКС являются беклометазона дипропионат, будесонид, мометазона фуроат, флутиказона пропионат. Препараты обладают высокой местной активностью, значительно уменьшают назальную обструкцию, секрецию желез слизистой оболочки и тканевой отек, снижают чувствительность к неспецифическим раздражителям и превосходят по своей эффективности интраназальные антигистаминные и кромогликаты. Системный эффект ГКС при интраназальном применении незначительный. Интраназальные ГКС нередко используются в комбинации с препаратами других фармакологических групп, в т.ч. в виде назальных спреев. ГКС могут применяться и при лечении аллергических конъюнктивитов в виде глазных капель или мазей (дексаметазон, гидрокортизон) коротким курсом с проведением мониторинга возможных осложнений, в т.ч. присоединения вторичной инфекции. Топические ГКС применяются активно для лечение аллергических дерматитов. Наружная терапия ГКС проводится в случаях обострения кожного процесса, сопровождающегося признаками выраженного воспаления, и при отсутствии достаточной эффективности применения препаратов других фармакологических групп. Существуют различные лекарственные формы топических ГКС — лосьоны, эмульсии, кремы, мази. Выбор формы препарата зависит от зоны нанесения, тяжести и характера поражения кожи. При назначении топических ГКС необходимо учитывать не только показания, но и противопоказания или ограничения к их назначению — местный инфекционный процесс любой этиологии, трофические изменения кожи и др. Также необходимо мониторировать побочные эффекты топических ГКС, которые могут носить как местный, так и системный характер. Топические кортикостероиды классифицируют по составу действующих веществ, а также по содержанию или отсутствию фтора, по силе противовоспалительной активности. Выделяют фторированные (содержащие фтор) и нефторированные препараты. К нефторированным ГКС относятся: гидрокортизон и его производные, преднизолон и его производные, мометазона фуроат, мезипредон, метилпреднизолона ацепонат. К фторированным ГКС относят: дексаметазон, бетаметазон, флуметазон, флутиказон, триамцинолон, клобетазол. Нередко характер кожного процесса требует назначения комбинированного лечения. Комбинированные ГКС имеют в своем составе антибактериальные и/или противомикотические компоненты и применяются при наличии признаков вторичного инфицирования.

Другие противоаллергические лекарственные средства

Антигистаминные препараты, обладающие мембраностабилизирующим эффектом, тормозят как раннюю, так и позднюю фазы аллергической реакции, снижают гиперреактивность слизистых. Препараты показаны для профилактики и лечения обострения легких форм аллергических заболеваний. Представителем системных препаратов этой группы является кетотифен, который ингибирует выделение гистамина, лейкотриенов и медленно реагирующей субстанции анафилаксии из базофилов и нейтрофилов. Терапевтический эффект развивается медленно в течение 1—2 недель, препарат обладает седативным эффектом. Применение кетотифена возможно при легких формах аллергического ринита, конъюнктивита, атопического дерматита, крапивницы. Кромоглициевая кислота также применяется с целью купирования обострения легких форм бронхиальной астмы, аллергического ринита и конъюнктивита/кератоконъюнктивита, а также для лечения пищевой аллергии. Препарат стабилизирует мембраны тучных клеток, тормозит дегрануляцию и высвобождение из них гистамина, брадикинина, лейкотриенов, постагландинов и др. активных веществ, блокирует рецепторы, специфичные для медиаторов воспаления. Кромоглициевая кислота может использоваться ингаляционно при лечении бронхиальной астмы, применяться в интраназальной и конъюнктивальной формах, а также перорально (при наличии пищевой аллергии). Указанное лекарственное средство предназначено для лечения легких форм заболевания, однако являются безопасными и практически полностью лишено побочных эффектов. В качестве антихолинергического средства достаточно широко применяется ипратропиум бромид, который представляет собой М-холиноблокатор. Может применяться ингаляционно и интраназально. Подавляет бронхоконстрикцию при бронхиальной астме, уменьшает секрецию желез слизистой оболочки носа и бронхов. Практически не обладает системной антихолинергической активностью. Возможно как кратковременное, так и длительное применение ипратропиум бромида. Антагонисты лейкотриеновых рецепторов — группа препаратов, основными представителями которой являются монтелукаст и зафирлукаст. Действие антагонистов лейкотриеновых рецепторов состоит в угнетении лейкотриенов, участвующих в формировании воспалительных реакций у пациентов с бронхиальной астмой, в т.ч. у больных с непереносимостью нестероидных противовоспалительных препаратов, а также лечении сезонного и круглогодичного ринита. Препараты переносятся достаточно хорошо и могут использоваться длительно уже после прекращения симптоматики в качестве базисной терапии.

Заключение

Таким образом, лечение обострения аллергических заболеваний — это комплекс мероприятий, направленных на лечение аллергического воспаления и относящихся к медикаментозным и немедикаментозным методам воздействия. Применение тех или иных препаратов должно быть взвешенным и обоснованным. Противоаллергические лекарственные средства в случае необходимости необходимо сочетать с другими группами фармакологических средств, позволяющих усилить терапевтический эффект, а также купировать инфекционные, метаболические и иные осложнения аллергического заболевания. При проведении терапии должны учитываться степень тяжести обострения, эффективность и индивидуальная переносимость препаратов, наличие осложнений и сопутствующих заболеваний у пациента, физиологические особенности больного. Только комплексный подход к ведению пациентов с аллергическими заболеваниями может обеспечить наилучший эффект от проводимой терапии [6].

Литература

1.    Аллергология. Клинические рекомендации. Под редакцией Р.М. Хаитова, Н.И.Ильиной. — Москва, издательская группа ГЭОТАР-Медиа, — 2006, — 227 с., тираж 3000 экз.,15 п.л.
2.    Курбачева О.М., Швец С.М. Аллергический ринит и беременность: возможности современной терапии. Эффективная фармакотерапия, 2013, 18: 74–80.
3.    Гущин И. С. Аллергическое воспаление и его фармакологический контроль. — М.: Фармарус Принт, 1998. — 251 с.
4.    Гущин И.С., Курбачева О.М. Лечение аллергического круглогодичного ринита антигистаминными препаратами. Лечащий врач, 2004, 8: 20-23.
5.    Российская ассоциация аллергологов и клинических иммунологов. Федеральные клинические рекомендации по диагностике и лечению аллергического ринита, 2013 г.
6.    Аллергология и иммунология. Национальное руководство. АСМОК. РААКИ. «Геотар-Медиа». — 2009. — С. 245-250.

(PDF) LSTM Easy-first Dependency Parsing with Pre-обученные вложения слов и встраивания слов на уровне символов на вьетнамском языке

Таблица III

ВЬЕТНАМСКИЕ РЕЗУЛЬТАТЫ ПАРСИРОВАНИЯ ЗАВИСИМОСТИ НА РАЗНЫХ ПАРСЕРАХ

Model Gold POS Tag Auto POS Tag

BistT 79,33 72,53 76,56 68,22

BistG 79,39 73,17 76,28 68,40

Easy-first (Word + POS) 79,29 71,44 77,51 68,27

+ Char 80,58 79,95 78,01 грамм.69 72,23 76,91 67,77

+ Char 80,91 72,98 78,26 69,04

+ Подслово 79,50 71,94 77,16 67,96

+ Char 80,56 72,37 78,13 68,56

Использование вложения слов на уровне символов в качестве дополнительных входных-

позволяет повысить точность формирования -первый парсер (0,79%

UAS и 1,51% LAS). Замена встраивания слов

встраиванием слов на уровне символов показывает небольшое увеличение производительности парсера

(0,39% UAS и 0,09% LAS).

Эти результаты показывают, что использование встраивания слов на уровне символов

может повысить точность синтаксического анализа.

Использование предварительно обученного слова em-

как пропуска граммы, так и подслова увеличивает точность синтаксического анализатора. Несмотря на то, что

разница в охвате словаря между skip-граммой и

подсловом велика (40%), точность парсера, использующего skip-

грамм, только выше подслова на 0,16%. Мы обнаружили, что в наших тестовых данных

разница в покрытии токена (процент токена

в тестовых данных, который появляется в предварительно обученных встраиваниях слов)

между двумя наборами данных составляет всего 5% (75.39% для скип-грамма и

70,95% для подслова).

Среди всех функций, которые мы применили к парсеру Tree LSTM easy-first

, наилучший результат синтаксического анализа дает комбинация встраивания слов + встраивания POS-тегов

ding + встраивание слов на уровне символов + встраивание предварительно обученных слов

(80,91% UAS и

72,98% LAS). Наша модель превзошла парсер BistG

и показала самую современную производительность на VnDT.

V. ЗАКЛЮЧЕНИЕ

Мы продемонстрировали эффективность встраивания слов

перед обучением и встраивания слов на уровне символов в качестве функций для

Vietnamese easy-first dependency parsing.

В будущей работе мы хотели бы обучить встраиванию слов

уровня символа в более крупные корпуса и использовать его в качестве предварительно обученных функций

, например, предварительно обученных встраиваний слов.

VI. ПОДТВЕРЖДЕНИЕ

Это исследование финансируется Университетом информационных технологий —

, Вьетнамский национальный университет, Хошимин, грант

номер D1-2017-13.

ССЫЛКИ

[1] Nivre, Joakim, et al. ”CoNLL 2007 разделяет задачу на зависимости pars-

ing.”Труды Совместной конференции 2007 г. по эмпирическим методам

в обработке естественного языка и вычислительном естественном языке

Learning (EMNLP-CoNLL). 2007.

[2] Seddah, Djam ´

e, Sandra K¨

ubler и Reut Tsarfaty. «Представляем общую задачу

spmrl 2014 по синтаксическому анализу морфологически насыщенных языков».

Труды первого совместного семинара по статистическому синтаксическому анализу мор-

фологически богатых языков и синтаксическому анализу неканонических

языков.2014.

[3] Бухгольц, Сабина и Эрвин Марси. «Совместная задача CoNLL-X по синтаксическому анализу многоязычных

зависимостей». Труды Десятой конференции по компьютерному изучению естественного языка

. Ассоциация компьютерной лингвистики

, 2006.

[4] Макдональд, Райан и Жоаким Нивр. «Описание ошибок моделей анализа зависимостей, управляемых данными

». Труды совместной конференции

2007 г. по эмпирическим методам обработки естественного языка и

компьютерного обучения естественному языку (EMNLP-CoNLL).2007.

[5] Чиу, Джейсон П.К. и Эрик Николс. «Распознавание именованного объекта с помощью

двунаправленных LSTM-CNN». Препринт arXiv arXiv: 1511.08308 (2015).

[6] Богданау, Дмитрий, Кёнхён Чо и Йошуа Бенджио. «Машинный перевод Neural

путем совместного обучения согласованию и переводу». arXiv

препринт arXiv: 1409.0473 (2014).

[7] Нивр, Йоаким, Йохан Холл и Йенс Нильссон. ”Maltparser: управляемый данными генератор синтаксического анализа

для анализа зависимостей.”Труды LREC. Vol. 6.

2006.

[8] Суцкевер, Илья, Ориол Виньялс, и Куок В. Ле. «Последовательность для последовательности

обучения с помощью нейронных сетей». Достижения в области нейронного информационного процесса —

информационных систем. 2014.

[9] Дайер, К., Баллестерос, М., Линг, В., Мэтьюз, А., и Смит, Н. А.

(2015). Анализ зависимостей на основе переходов со стеком с длинной краткосрочной памятью

. Препринт arXiv arXiv: 1505.08075.

[10] Баллестерос, М., Дайер, К., Голдберг, Ю., и Смит, Н. А. (2017). Greedy

Анализ зависимостей на основе переходов со стеком lstms. Вычислительная

Лингвистика, 43 (2), 311-347.

[11] Кипервассер, Элиягу и Йоав Голдберг. «Простой первый анализ зависимостей —

с иерархическим деревом LSTM». Препринт arXiv arXiv: 1603.00375

(2016).

[12] Кипервассер, Элиягу и Йоав Голдберг. ”Простой и точный анализ зависимости

плотности с использованием двунаправленных представлений функций LSTM.”ArXiv

препринт arXiv: 1603.04351 (2016).

[13] Баллестерос, Мигель, Крис Дайер и Ноа А. Смит. «Улучшен синтаксический анализ

на основе переходов путем моделирования символов вместо слов с помощью

lstms». Препринт arXiv arXiv: 1508.00657 (2015).

[14] Thi, Luong Nguyen, et al. «Создание банка деревьев для вьетнамской зависимости —

анализ плотности». Вычислительные и коммуникационные технологии, исследования,

Инновации и видение будущего (RIVF), 2013 Национальная конференция IEEE RIVF Inter-

по.IEEE, 2013.

[15] Нгуен Д. К., Нгуен Д. К., Фам С. Б., Нгуен П. Т. и Ле

Нгуен М. (2014 г., июнь). От преобразования банка деревьев к автоматическому синтаксическому анализу зависимостей

для вьетнамского языка. В Международной конференции по

Приложениям естественного языка к базам данных / информационным системам

(стр. 196-207). Спрингер, Чам.

[16] Нгуен, Киет В. и Нган Луу-Туи Нгуен. ”Вьетнамский переход — анализ зависимостей на основе

с функциями супертэгов.”Знания и

Системная инженерия (KSE), Восьмая международная конференция 2016 г.

IEEE, 2016. 175-180). IEEE.

[17] Ву-Ман, К., Луонг, А. Т., и Ле-Хонг, П. (2015, декабрь). Im-

доказательство разбора зависимостей на вьетнамском языке с использованием распределенных представлений слов

. В материалах Шестого международного симпозиума

Информационные и коммуникационные технологии (стр. 54-60). ACM.

[18] Нгуен, Д. К., Драс, М., и Джонсон, М.(2016). Эмпирическое исследование

для анализа вьетнамской зависимости. Труды семинара Австралазийской ассоциации языковых технологий

, 2016 г., стр. 143–149. Получено

с http://www.aclweb.org/anthology/U16-1017

[19] Голдберг, Йоав и Майкл Эльхадад. «Эффективный алгоритм для простого первого ненаправленного синтаксического анализа зависимостей». Human Language Technolo- gies —

gies: Ежегодная конференция североамериканского отделения в 2010 г.

Ассоциации компьютерной лингвистики.Ассоциация компьютерной лингвистики

, 2010.

[20] Ма, Джи и др. «Простая маркировка pos и анализ зависимостей с помощью поиска по лучу

». Труды 51-го ежегодного собрания Ассоциации компьютерной лингвистики

(Том 2: Краткие статьи). Vol. 2. 2013.

[21] Баллестерос, М., Дайер, К., и Смит, Н.А. (2015). Улучшенный парсинг на основе перехода

путем моделирования символов вместо слов с помощью lstms. arXiv

препринт arXiv: 1508.00657.

[22] Goldberg, Y., & Nivre, J. (2012). Динамический оракул для разбора зависимостей arc-eager

. Труды COLING 2012, 959-976.

[23] Mikolov, Tomas, et al. «Распределенные представления слов и словосочетаний

и их композиционность». Достижения в области нейронной обработки информации

систем. 2013.

[24] Bojanowski, Piotr, et al. «Обогащение векторов слов подсловной информацией». Препринт arXiv arXiv: 1607.04606 (2016).

Страница не найдена

К сожалению, страница, которую вы искали на веб-сайте AAAI, не находится по URL-адресу, который вы щелкнули или ввели:

https://www.aaai.org/library/aaai/1997/aaai97-093.php

Если указанный выше URL заканчивается на «.html», попробуйте заменить «.html:» на «.php» и посмотрите, решит ли это проблему.

Если вы ищете конкретную тему, попробуйте следующие ссылки или введите тему в поле поиска на этой странице:

• Выберите темы AI, чтобы узнать больше об искусственном интеллекте.
• Чтобы присоединиться или узнать больше о членстве в AAAI, выберите «Членство».
• Выберите «Публикации», чтобы узнать больше о AAAI Press и журналах AAAI.
• Для рефератов (а иногда и полного текста) технических документов по ИИ выберите Библиотека
• Выберите AI Magazine, чтобы узнать больше о флагманском издании AAAI.
• Чтобы узнать больше о конференциях и встречах AAAI, выберите Conferences
• Для ссылок на симпозиумы AAAI выберите «Симпозиумы».
• Для получения информации об организации AAAI, включая ее должностных лиц и сотрудников, выберите «Организация».

Помогите исправить страницу, которая вызывает проблему

Интернет-страница

, который направил вас сюда, должен быть обновлен, чтобы он больше не указывал на эту страницу. Вы поможете нам избавиться от старых ссылок? Напишите веб-мастеру ссылающейся страницы или воспользуйтесь его формой, чтобы сообщить о неработающих ссылках. Это может не помочь вам найти нужную страницу, но, по крайней мере, вы можете избавить других людей от неприятностей. Большинство поисковых систем и каталогов имеют простой способ сообщить о неработающих ссылках.

Если это кажется уместным, мы были бы признательны, если бы вы связались с веб-мастером AAAI, указав, как вы сюда попали (то есть URL-адрес страницы, которую вы искали, и URL-адрес ссылки, если он доступен). Спасибо!

Содержание сайта

К основным разделам этого сайта (и некоторым популярным страницам) можно перейти по ссылкам на этой странице. Если вы хотите узнать больше об искусственном интеллекте, вам следует посетить страницу AI Topics. Чтобы присоединиться или узнать больше о членстве в AAAI, выберите «Членство».Выберите «Публикации», чтобы узнать больше о AAAI Press, AI Magazine, и журналах AAAI. Чтобы получить доступ к цифровой библиотеке AAAI, содержащей более 10 000 технических статей по ИИ, выберите «Библиотека». Выберите Награды, чтобы узнать больше о программе наград и наград AAAI. Чтобы узнать больше о конференциях и встречах AAAI, выберите «Встречи». Для ссылок на программные документы, президентские обращения и внешние ресурсы ИИ выберите «Ресурсы». Для получения информации об организации AAAI, включая ее должностных лиц и сотрудников, выберите «О нас» (также «Организация»).Окно поиска, созданное Google, будет возвращать результаты, ограниченные сайтом AAAI.

PDF против Word: лучший формат файла для резюме в 2021 году

Ваше резюме написано, отформатировано и адаптировано именно так, как вы этого хотите. Пришло время нажать «Сохранить» … но какой формат файла вы должны использовать?

Ответов почти столько же, сколько вариантов файлов! Когда ставка делается на то, чтобы ваше резюме было замечено, а не отправка нечитаемого документа, вы должны быть уверены, что выбрали правильный тип файла.

Мы вас поможем!

Этот пост включает в себя последние советы профессиональных составителей резюме ZipJob. В этой статье рассматриваются различные ситуации, а также случаи, когда следует изменить тип отправляемого файла. Однако прежде чем мы начнем, есть одно исключение, которое всегда должно быть первым.

Используйте тип файла, указанный в описании вакансии

Не все компании будут указывать. Однако, если в описании вакансии есть что-то вроде «отправьте свое резюме в виде вложения в формате PDF на [адрес электронной почты защищен]», то вам всегда следует отправлять свое резюме в формате PDF на этот адрес электронной почты.

Внимательно прочтите описание должности, чтобы узнать, предпочитает ли работодатель определенный тип файла. Вы всегда должны отправлять в формате, который запрашивает работодатель.

В оставшейся части этой статьи мы рассмотрим, в каком формате резюме отправлять, если нет инструкций.

Какие типы файлов наиболее распространены для резюме?

Наиболее распространенные форматы резюме:

Из этих вариантов два верхних (документы PDF и Word) являются наиболее распространенными.

Лучшие варианты резюме: PDF и.doc

Два наиболее распространенных формата резюме лучше всего подходят для двух разных целей.

1. Лучший формат для заявления о приеме на работу

При подаче заявления о приеме на работу в Интернете лучшим форматом для отправки резюме обычно является документ Word. Этот формат наиболее легко читается большинством систем отслеживания заявителей (или ATS). Хотя компании все чаще вкладывают средства в более сложное программное обеспечение ATS, которое будет анализировать ваше резюме, вы можете быть уверены, что практически все сканированные изображения ATS могут считывать файл.doc файл.

Зачем рисковать остаться незамеченным из-за вашего формата? Отправьте свое резюме в виде документа Word.

2. Лучший формат файла для приложения вашего резюме

С другой стороны, многие соискатели передают свои резюме, как визитки, при поиске работы. Если вы отправляете кому-то прямое сообщение и прикрепляете свое резюме, вы можете отправить его в формате PDF. Это сохранит ваше форматирование и будет выглядеть одинаково на разных компьютерах.

Однако обратите внимание: отправка резюме в формате PDF НЕ означает, что рекомендуется использовать творческий или графический формат резюме.Компьютеры, менеджеры по найму и рекрутеры предпочитают традиционные резюме в одну колонку, которые можно быстро понять.

Вот несколько дополнительных советов по правильной отправке резюме.

Что нужно знать об отправке резюме в формате PDF:

Многие соискатели предпочитают отправлять PDF-файлы, поскольку в нем сохраняется одинаковое форматирование для всех, кто его просматривает, и что он совместим с большинством операционных систем.

Вот некоторые проблемы с отправкой вашего резюме в формате PDF:

• Работодатель или рекрутер может захотеть внести в ваше резюме изменение, примечание или выделить его, чтобы упорядочить его.Если вы отправляете свое резюме кому-то на проверку, функция «Предлагать правки» в Word очень ценится!

• PDF-файл можно заблокировать — это удобно для безопасности и не очень хорошо, если пароль не приходит вместе с файлом.

• У получателя может не быть правильного программного обеспечения для открытия файла PDF (меньшая проблема для специалиста по найму, больше беспокойства по поводу отправки вашего резюме кому-то в вашей сети, кто предложил взглянуть или передать его. ).

• Хотя эта проблема сейчас возникает редко, некоторые системы отслеживания кандидатов (ATS) могут испытывать трудности при чтении файла PDF.(Подробнее об ATS и формате файла см. Ниже). Например, формат резюме из двух столбцов может читаться слева направо, несмотря на то, что эта информация не имеет отношения.

Следует ли отправлять резюме в формате PDF?

PDF-файл приемлем для многих работодателей … но вам лучше отправить .doc, если это одна из более чем 90% крупных компаний, использующих ATS. Если вы отправляете свое резюме в кадровое агентство, предпочтительнее использовать .doc, потому что в него легче вносить изменения.

Что нужно знать об отправке резюме в виде документа Word:

Документ Word — это самый простой для редактирования тип файла, дающий ему огромное преимущество. Также можно сохранить аккуратный и организованный документ Word, что дает ему сильное преимущество перед файлами TXT.

Документ Microsoft Word — самый безопасный способ отправить свое резюме. Вот причины, по которым вы всегда должны отправлять документ Word:

• Были проведены опросы, которые показывают, что работодатели и рекрутеры предпочитают документ Microsoft Word над PDF.

• Документ Microsoft Word легко открывается многими программами и устройствами.

• Система отслеживания кандидатов (ATS) может легко прочитать резюме

Следует ли вам отправлять свое резюме в Microsoft Word?

Да, самая безопасная ставка — отправить свое резюме в Word. Работодатели предпочитают это, и это может быть легко проверено ATS.

Microsoft doc vs docx

В предыдущей версии этой статьи рекомендовалось расширение.документ над файлом .docx. Вряд ли это будет иметь большое значение в 2021 году, поскольку все версии Word, выпущенные после 2007 года, будут открывать файлы .doc или .docx без проблем .

Могу ли я отправить резюме в виде файлов HTML и TXT (простой текст)?

Форматы HTML и TXT, как правило, никогда не следует использовать при отправке резюме.

Единственный раз, когда вы можете захотеть использовать формат TXT, — это заявки на вакансии, которые не позволяют вам прикрепить свое резюме.

Чтобы сохранить свое резюме в виде файла TXT, просто выполните те же действия, которые мы описали выше в отношении Docx и Doc.После нажатия кнопки «Сохранить как» выберите «Обычный текст» или «TXT» при сохранении.

Системы отслеживания кандидатов и формат вашего файла

ATS — это программное обеспечение, которое большинство компаний сейчас используют для просмотра вашего резюме. Резюме, обрабатываемое ATS, как подходящее для должности, отправляется или рекомендуется менеджеру по найму.

Более 76% поданных резюме не рассматриваются, и неправильный тип файла может быть одной из причин, почему. Другие резюме получают низкую оценку ATS из-за отсутствия ключевых слов, несоответствия опыта или сложного форматирования.Всегда отправляйте документ Word, чтобы убедиться, что ваше резюме будет опубликовано.

Также обратите внимание, что PDF-файл может быть заблокирован, а это означает, что ATS не сможет сканировать текст в вашем резюме.

Присоединяйтесь к более чем 1 миллиону человек , которые уже получили наш бесплатный обзор резюме.

Через 48 часов вы узнаете, как выглядит ваше резюме. Мы покажем вам, что работает, и что вам следует исправить.

Заключительное примечание: как назвать файл резюме

Имя, которое вы даете своему резюме, также является важным фактором, который следует учитывать при отправке вашего резюме.В вашем резюме должно быть названо сочетание вашего имени и «резюме».

Например:

• Scott.Brett.Resume.Doc

• ScottB.Resume.Doc

Рекрутеры или менеджеры по найму иногда возвращаются к поиску вашего резюме в базе данных. Вы хотите, чтобы они легко находили ваше резюме, когда набирали ваше имя. Это также выглядит профессионально!

Обязательно используйте свое имя и «резюме».

Резюме

Формат вашего файла — еще один важный фактор, который следует учитывать при отправке резюме.Меньше всего вам нужно, чтобы оно было отклонено программой проверки резюме.

Хотя формат PDF становится все более популярным, отправка резюме в формате Microsoft Word по-прежнему остается самым безопасным вариантом. Если есть какие-либо сомнения, отправьте документ Word, который прост, удобен для чтения и специально разработан для ваших карьерных целей.

Похожие сообщения:

Подходы к лемматизации с примерами в Python

Лемматизация — это процесс преобразования слова в его базовую форму.Разница между выделением корней и лемматизацией заключается в том, что лемматизация учитывает контекст и преобразует слово в его значимую базовую форму, тогда как выделение корней просто удаляет последние несколько символов, что часто приводит к неправильному значению и орфографическим ошибкам.

Сравнение подходов к лемматизации в Python. Фото Джасмин Шрайбер

Содержание

1. Введение
2. Лемматизатор Wordnet
3. Лемматизатор Wordnet с соответствующим тегом POS
4. Лемматизация spaCy
5.TextBlob Lemmatizer
6. TextBlob Lemmatizer с соответствующим тегом POS
7. Pattern Lemmatizer
8. Stanford CoreNLP Lemmatization
9. Gensim Lemmatize
10. TreeTagger
11. Сравнение NLTK, TextBlob, spaCy, Pattern и Stanford CoreNLP
12. Заключение

1. Введение

Лемматизация — это процесс преобразования слова в его базовую форму. Разница между выделением корней и лемматизацией заключается в том, что лемматизация учитывает контекст и преобразует слово в его значимую базовую форму, тогда как выделение корней просто удаляет последние несколько символов, что часто приводит к неправильному значению и орфографическим ошибкам.

Например, лемматизация правильно определит базовую форму от «забота» до «заботы», тогда как стемминг отсечет «инг» и преобразует ее в автомобиль.

«Забота» -> Лемматизация -> «Забота»
«Забота» -> Выделение -> «Автомобиль»

Кроме того, иногда одно и то же слово может иметь несколько разных «лемм». Итак, в зависимости от контекста, в котором оно используется, вам следует определить тег «части речи» (POS) для слова в этом конкретном контексте и извлечь соответствующую лемму.Примеры реализации этого приведены в следующих разделах.

Сегодня мы увидим, как реализовать лемматизацию с помощью следующих пакетов Python.

1. Wordnet Lemmatizer

2. Spacy Lemmatizer

3. TextBlob

4. CLiPS Pattern

5. CoreNLP

6. CoreNLP

7. Gensag8 9279 9279 NLP 9278 Wordnet — это большая, бесплатная и общедоступная лексическая база данных для английского языка, предназначенная для установления структурированных семантических отношений между словами.Он также предлагает возможности лемматизации и является одним из первых и наиболее часто используемых лемматизаторов.

   NLTK предлагает интерфейс к нему, но вы должны сначала загрузить его, чтобы использовать. Следуйте приведенным ниже инструкциям, чтобы установить nltk и загрузить wordnet .

     # Как установить и импортировать NLTK
   # В терминале или в подсказке:
   # pip install nltk
   
   # # Загрузите Wordnet через NLTK в консоль python:
   импортировать nltk
   nltk.download ('wordnet')
     

   Для лемматизации вам необходимо создать экземпляр WordNetLemmatizer () и вызвать функцию lemmatize () для одного слова.

     импорт НЛТК
   из nltk.stem импортировать WordNetLemmatizer
   
   # Инициируйте лемматизатор Wordnet
   lemmatizer = WordNetLemmatizer ()
   
   # Лемматизировать отдельное слово
   print (lemmatizer.lemmatize («летучие мыши»))
   #> летучая мышь
   
   print (lemmatizer.lemmatize ("есть"))
   #> являются
   
   печать (lemmatizer.lemmatize ("ноги"))
   #> фут
     

   Давайте лемматизируем простое предложение. Сначала мы преобразуем предложение в слова, используя nltk.word_tokenize , а затем мы вызовем lemmatizer.lemmatize () для каждого слова.Это можно сделать в понимании списка (цикл for внутри квадратных скобок для создания списка).

     # Определите предложение, которое нужно лемматизировать
   предложение = "Полосатые летучие мыши лучше всего держатся на ногах"
   
   # Tokenize: разделить предложение на слова
   word_list = nltk.word_tokenize (предложение)
   печать (список_слов)
   #> ['The', 'полосатые', 'летучие мыши', 'are', 'зависания', 'on', 'их', 'ноги', 'for', 'best']
   
   # Лемматизируем список слов и присоединяемся
   lemmatized_output = '' .join ([lemmatizer.lemmatize (w) вместо w в word_list])
   печать (lemmatized_output)
   #> Полосатая летучая мышь лучше всего висит на ноге
     

   Приведенный выше код является простым примером использования лемматизатора wordnet для слов и предложений.

   Обратите внимание, что он плохо справился. Потому что «are» не преобразуется в «be», а «зависание» не преобразуется в «завис», как ожидалось. Это можно исправить, если мы предоставим правильный тег «части речи» (тег POS) в качестве второго аргумента функции lemmatize () .

   Иногда одно и то же слово может иметь несколько лемм в зависимости от значения / контекста.

     принт (lemmatizer.lemmatize ("полосы", 'v'))
   #> полоса
   
   print (lemmatizer.lemmatize ("полосы"; 'n'))
   #> полоса
     

   3.Wordnet Lemmatizer с соответствующим тегом POS

   Может быть невозможно вручную указать соответствующий тег POS для каждого слова для больших текстов. Поэтому вместо этого мы найдем правильный тег POS для каждого слова, сопоставим его с правильным входным символом, который принимает WordnetLemmatizer, и передадим его в качестве второго аргумента функции lemmatize () .

   Итак, как получить тег POS для данного слова?

   В nltk это доступно с помощью метода nltk.pos_tag () . Он принимает только список (список слов), даже если это одно слово.

     печать (nltk.pos_tag (['футов]))
   #> [('футы', 'NNS')]
   
   print (nltk.pos_tag (nltk.word_tokenize (предложение)))
   #> [('The', 'DT'), ('полосатый', 'JJ'), ('летучие мыши', 'NNS'), ('are', 'VBP'), ('висит', 'VBG '), (' on ',' IN '), (' их ',' PRP $ '), (' ноги ',' NNS '), (' for ',' IN '), (' best ',' JJS ')]
     

   nltk.pos_tag () возвращает кортеж с тегом POS. Ключевым моментом здесь является сопоставление тегов POS NLTK с форматом, который принимает лемматизатор wordnet. Функция get_wordnet_pos () , определенная ниже, выполняет это задание сопоставления.

     # Лемматизация с тегом POS
   из nltk.corpus импорт Wordnet
   
   def get_wordnet_pos (слово):
       "" "Сопоставить тег POS с первым символом lemmatize () принимает" ""
       tag = nltk.pos_tag ([слово]) [0] [1] [0] .upper ()
       tag_dict = {"J": wordnet.ADJ,
                   «N»: wordnet.NOUN,
                   "V": wordnet.VERB,
                   «R»: wordnet.ADV}
   
       вернуть tag_dict.get (тег, wordnet.NOUN)
   
   
   # 1. Инициализировать лемматизатор
   lemmatizer = WordNetLemmatizer ()
   
   # 2. Лемматизируйте отдельное слово с помощью соответствующего тега POS.
   слово = 'ноги'
   печать (лемматизатор.лемматизировать (слово, get_wordnet_pos (слово)))
   
   # 3. Лемматизируйте предложение с помощью соответствующего тега POS.
   предложение = "Полосатые летучие мыши лучше всего держатся на ногах"
   print ([lemmatizer.lemmatize (w, get_wordnet_pos (w)) вместо w в nltk.word_tokenize (предложение)])
   #> ['The', 'strip', 'bat', 'be', 'hang', 'on', 'их', 'foot', 'for', 'best']
     

   4. Лемматизация spaCy

   spaCy является относительно новым в этой области и позиционируется как мощный двигатель НЛП. Он поставляется с предварительно созданными моделями, которые могут анализировать текст и вычислять различные функции, связанные с НЛП, с помощью одного вызова функции.Конечно, это также дает лемму этого слова.

   Прежде чем мы начнем, давайте установим spaCy и загрузим «en» модель.

     # Установить spaCy (запустить в терминале / командной строке)
   import sys
   ! {sys.executable} -m pip install spacy
   
   # Скачать модель spaCy's 'en'
   ! {sys.executable} -m spacy загрузить ru
     

   spaCy по умолчанию определяет тег части речи и назначает соответствующую лемму. Он поставляется с набором готовых моделей, где «en», который мы только что скачали, является одним из стандартных для английского языка.

     импорт просторный
   
   # Инициализировать просторную модель 'en', оставив только компонент теггера, необходимый для лемматизации
   nlp = spacy.load ('en', disable = ['parser', 'ner'])
   
   предложение = "Полосатые летучие мыши лучше всего держатся на ногах"
   
   # Разбираем предложение, используя загруженный объект модели 'en' `nlp`
   doc = nlp (предложение)
   
   # Извлекаем лемму для каждого токена и присоединяемся
   "" .join ([token.lemma_ для токена в документе])
   #> 'летучая мышь висит на -PRON- ноге навсегда'
     

   Он выполнил все лемматизации, которые выполнял лемматизатор Wordnet, поставляемый с правильным тегом POS.Кроме того, в нем лемматизировано «лучшее» на «хорошее». Хороший!

   Символ -PRON- появляется всякий раз, когда Spacy обнаруживает местоимение.

   5. TextBlob Lemmatizer

   TexxtBlob также является мощным, быстрым и удобным пакетом НЛП. Используя объекты Word и TextBlob , довольно просто анализировать и лемматизировать слова и предложения соответственно.

     # pip install textblob
   from textblob import TextBlob, Word
   
   # Лемматизировать слово
   word = 'полосы'
   w = Слово (слово)
   ш.лемматизировать ()
   #> полоса
     

   Однако для лемматизации предложения или абзаца мы анализируем его с помощью TextBlob и вызываем функцию lemmatize () для проанализированных слов.

     # Лемматизировать предложение
   предложение = "Полосатые летучие мыши лучше всего держатся на ногах"
   отправлено = TextBlob (предложение)
   "". join ([w.lemmatize () для w в sent.words])
   #> 'Полосатая летучая мышь лучше всего висит на ноге'
     

   С самого начала он не очень хорошо справился с задачей, потому что, как и NLTK, TextBlob внутренне использует wordnet.Итак, давайте передадим соответствующий тег POS методу lemmatize () .

   6. Лемматизатор TextBlob с соответствующим тегом POS

     # Определите функцию для лемматизации каждого слова с его тегом POS
   def lemmatize_with_postag (предложение):
       отправлено = TextBlob (предложение)
       tag_dict = {"J": 'а',
                   «N»: 'n',
                   "V": 'v',
                   "R": 'r'}
       words_and_tags = [(w, tag_dict.get (pos [0], 'n')) для w, pos в sent.tags]
       lemmatized_list = [wd.lemmatize (тег) для wd, тег в words_and_tags]
       return "" .join (lemmatized_list)
   
   # Лемматизация
   предложение = "Полосатые летучие мыши лучше всего держатся на ногах"
   lemmatize_with_postag (предложение)
   #> 'Полосатую летучую мышь лучше повесить на ногу'
     

   7. Pattern Lemmatizer

   Pattern by CLiPs — это универсальный модуль с множеством полезных возможностей НЛП.

    ! Шаблон установки pip
     

   Если при установке шаблона у вас возникнут проблемы, ознакомьтесь с известными проблемами на github.Я сам столкнулся с этой проблемой при установке на Mac.

     импортная модель
   из pattern.en импортировать лемму, лексему
   
   предложение = "Полосатые летучие мыши висели на ногах и ели лучшую рыбу"
   "" .join ([лемма (wd) для wd в предложении .split ()])
   #> 'летучая мышь должна висеть на ногах и есть лучшую рыбу'
     

   Вы также можете просмотреть возможные лексемы для каждого слова.

     # Лексемы для каждого слова
   [лексема (wd) вместо wd в фразе .split ()]
   
   #> [['the', 'thes', 'thing', 'thed'],
   #> ['stripe', 'stripes', 'striping', 'striped'],
   #> ['летучая мышь', 'летучие мыши', 'ватин', 'ватин'],
   #> ['быть', 'есть', 'есть', 'есть', 'бытие', 'было', 'было', 'было',
   #>.«не», «не», «не», «не было», «не было»],
   #> ['завис', 'завис', 'завис', 'завис'],
   #> ['on', 'ons', 'oning', 'oned'],
   #> ['их', 'их', 'ихинг', 'теэред'],
   #> ['Foot', 'Feets', 'Feeting', 'Feted'],
   #> ['and', 'ands', 'anding', 'anded'],
   #> ['есть', 'ест', 'ест', 'ел', 'съедал'],
   #> ['лучший', 'лучший', 'лучший', 'лучший'],
   #> ['рыбы', 'рыбалка', 'рыбалка']]
     

   Вы также можете получить лемму, проанализировав текст.

     по выкройке.en import parse
   print (parse ('Полосатые летучие мыши висели на ногах и ели лучшую рыбу',
               lemmata = True, tags = False, chunks = False))
   #> / DT / полосатые / JJ / полосатые летучие мыши / NNS / летучие мыши были / VBD / висели / VBG / висели / IN / на своих / PRP $ / их
   #> feet / NNS / foot and / CC / and ate / VBD / eat best / JJ / best fishes / NNS / fish
     

   8. Лемматизация Stanford CoreNLP

   Standford CoreNLP — популярный инструмент NLP, изначально реализованный на Java. Вокруг него написано много оберток Python.Тот, который я использую ниже, весьма удобен в использовании.

   Но перед этим вам необходимо загрузить Java и программное обеспечение Standford CoreNLP. Перед тем, как перейти к коду лемматизации, убедитесь, что у вас есть следующие требования:

   Шаг 1: Java 8 установлена ​​

   Вы можете загрузить и установить со страницы загрузки Java.

   Пользователи Mac могут проверить версию java, набрав в терминале java -version . Если его 1.8+, то все в порядке. В противном случае выполните следующие шаги.

     заварить обновить
   варить установить Jenv
   варить бочку установить Java
     

   Шаг 2. Загрузите программное обеспечение Standford CoreNLP и разархивируйте его.

   Шаг 3. Запустите сервер Stanford CoreNLP с терминала. Как? cd в папку, которую вы только что разархивировали, и выполните следующую команду в терминале:

     cd stanford-corenlp-full-2018-02-27
   java -mx4g -cp "*" edu.stanford.nlp.pipeline.StanfordCoreNLPServer -annotators "tokenize, ssplit, pos, lemma, parse, sentiment" -port 9000 -timeout 30000
     

   Это запустит StanfordCoreNLPServer, прослушивающий порт 9000. Теперь мы готовы извлечь леммы в python.

   В пакете stanfordcorenlp лемма встроена в выходные данные метода annotate () объекта подключения StanfordCoreNLP (см. Код ниже).

     # Запустите `pip install stanfordcorenlp`, чтобы установить пакет stanfordcorenlp
   из stanfordcorenlp импорт StanfordCoreNLP
   импортировать json
   
   # Подключаемся к серверу CoreNLP, который мы только что запустили
   nlp = StanfordCoreNLP ('http: // localhost', порт = 9000, тайм-аут = 30000)
   
   # Определить пропорции, необходимые для получения леммы
   props = {'аннотаторы': 'pos, lemma',
            'pipelineLanguage': 'ru',
            'outputFormat': 'json'}
   
   
   предложение = "Полосатые летучие мыши висели на ногах и ели лучшую рыбу"
   parsed_str = nlp.аннотировать (предложение, свойства = реквизиты)
   parsed_dict = json.loads (parsed_str)
   parsed_dict
   #> {'предложения': [{'index': 0,
   #> 'tokens': [{'после': '',
   #> 'до': '',
   #> 'characterOffsetBegin': 0,
   #> 'characterOffsetEnd': 3,
   #> 'index': 1,
   #> 'lemma': 'the', << ----------- ЛЕММА
   #> 'originalText': 'The',
   #> 'pos': 'DT',
   #> 'word': 'The'},
   #> {'после': '',
   #> 'до': '',
   #> 'characterOffsetBegin': 4,
   #> 'characterOffsetEnd': 11,
   #> 'index': 2,
   #> 'lemma': 'striped', << ----------- ЛЕММА
   #> 'originalText': 'полосатый',
   #> 'pos': 'JJ',
   #> 'word': 'striped'},
   #> {'после': '',
   #> 'до': '',
   #> 'characterOffsetBegin': 12,
   #> 'characterOffsetEnd': 16,
   #> 'index': 3,
   #> 'lemma': 'bat', << ----------- ЛЕММА
   #> 'originalText': 'летучие мыши',
   #> 'pos': 'NNS',
   #> 'word': 'летучие мыши'}
   #>...
   #> ...
     

   Вывод nlp.annotate () был преобразован в dict с использованием json.loads . Теперь нужная нам лемма вложена на пару уровней внутрь parsed_dict . Итак, здесь нам нужно только значение леммы из каждого dict. Я использую перечисленные ниже списки, чтобы добиться цели.

     lemma_list = [v вместо d в parsed_dict ['предложения'] [0] ['токены'] для k, v в d.items (), если k == 'lemma']
   "" .join (lemma_list)
   #> 'полосатая летучая мышь висит на ногах и ест лучшую рыбу'
     

   Давайте обобщим эту замечательную функцию, чтобы обрабатывать большие абзацы.

     из stanfordcorenlp import StanfordCoreNLP
   импорт json, строка
   
   def lemmatize_corenlp (conn_nlp, предложение):
       props = {
           'аннотаторы': 'pos, lemma',
           'pipelineLanguage': 'ru',
           'outputFormat': 'json'
       }
   
       # преобразовать в слова
       sents = conn_nlp.word_tokenize (предложение)
   
       # удалить знаки препинания из размеченного списка
       sents_no_punct = [s вместо s в отправленных, если s не в строке. пунктуация]
   
       # форма предложения
       предложение2 = "" .join (sents_no_punct)
   
       # аннотируйте, чтобы получить лемму
       parsed_str = conn_nlp.аннотировать (предложение2, свойства = реквизиты)
       parsed_dict = json.loads (parsed_str)
   
       # извлекаем лемму для каждого слова
       lemma_list = [v для d в parsed_dict ['предложения'] [0] ['токены'] для k, v в d.items (), если k == 'lemma']
   
       # сформировать предложение и вернуть его
       вернуть "" .join (lemma_list)
   
   
   # устанавливаем соединение и вызываем `lemmatize_corenlp`
   nlp = StanfordCoreNLP ('http: // localhost', порт = 9000, тайм-аут = 30000)
   lemmatize_corenlp (conn_nlp = nlp, предложение = предложение)
   #> 'полосатая летучая мышь висит на ногах и ест лучшую рыбу'
     

   9.Gensim Lemmatize

   Gensim предоставляет средства лемматизации на основе пакета паттерна . Это может быть реализовано с помощью метода lemmatize () в модуле utils . По умолчанию lemmatize () разрешает только теги «JJ», «VB», «NN» и «RB».

    
   из gensim.utils import lemmatize
   предложение = "Полосатые летучие мыши висели на ногах и ели лучшую рыбу"
   lemmatized_out = [wd.decode ('utf-8'). split ('/') [0] для wd в лемматизации (предложение)]
   #> ['полосатый', 'летучая мышь', 'быть', 'висеть', 'нога', 'есть', 'лучший', 'рыба']
     

   10.TreeTagger

   Treetagger — это тегер части речи для многих языков. И это также дает лемму слова.

   Вам необходимо загрузить и установить само программное обеспечение TreeTagger, чтобы использовать его, выполнив указанные ниже действия.

     # pip install treetaggerwrapper
   
   импортировать Treetaggerwrapper как ttpw
   tagger = ttpw.TreeTagger (TAGLANG = 'en', TAGDIR = '/ Users / ecom-selva.p / Documents / MLPlus / 11_Lemmatization / treetagger')
   tags = tagger.tag_text («Полосатые летучие мыши висели на ногах и ели лучшую рыбу»)
   леммы = [т.split ('\ t') [- 1] для t в тегах]
   #> ['the', 'striped', 'bat', 'be', 'hang', 'on', 'their', 'foot', 'and', 'съесть', 'хорошо', 'рыба' ]  

   Treetagger действительно хорошо справляется с преобразованием «лучшего» в «хорошее», а также для других слов. Для дальнейшего чтения обратитесь к документации TreeTaggerWrapper.

   11. Сравнение NLTK, TextBlob, spaCy, Pattern и Stanford CoreNLP

   Давайте запустим лемматизацию, используя 5 реализаций в следующем предложении, и сравним результат.

     предложение = "" "После нападения мышей заботливые фермеры отправились в Дели за лучшими условиями жизни.Во вторник полиция Дели открыла огонь из водомётов и снарядов со слезоточивым газом по протестующим фермерам, когда они пытались
   ломать баррикады своими машинами, автомобилями и тракторами. "" "
   
   # НЛТК
   из nltk.stem импортировать WordNetLemmatizer
   lemmatizer = WordNetLemmatizer ()
   pprint ("" .join ([lemmatizer.lemmatize (w, get_wordnet_pos (w)) для w в nltk.word_tokenize (предложение), если w не в string.punctuation]))
   # ('После нападения мышей фермер отправляется в Дели для хорошей жизни'
   # 'Состояние полиции Дели во вторник стреляет водометом и снарядом со слезоточивым газом'
   # 'протестуют фермеры, они пытаются сломать баррикаду своей машиной и автомобилем'
   # 'трактор')
   
   # Просторный
   импортный простор
   nlp = простор.load ('en', disable = ['parser', 'ner'])
   doc = nlp (предложение)
   pprint ("" .join ([token.lemma_ для токена в документе]))
   # ('следите за атакой мышей, заботьтесь, фермер отправляется в Дели за хорошими условиями жизни'
   # '. Полиция Дели во вторник на акции протеста стреляет из водометов и снарядов со слезоточивым газом
   # 'фермер как -PRON- пытается сломать баррикаду с -PRON- автомобилем, автомобилем и'
   # 'трактор.')
   
   # TextBlob
   pprint (lemmatize_with_postag (предложение))
   # ('После нападения мышей фермер по уходу отправляется в Дели за хорошей жизнью'
   # 'Состояние полиции Дели во вторник стреляет водометом и снарядом со слезоточивым газом'
   # 'протестуют фермеры, они пытаются сломать баррикаду своей машиной и автомобилем'
   # 'трактор')
   
   # Шаблон
   из выкройки.en import lemma
   pprint ("" .join ([лемма (wd) вместо wd в предложении.split ()]))
   # ('следите за атаками мышей, заботьтесь, фермер отправляется в Дели, чтобы жить лучше'
   #  'условия. Полиция Дели во вторник стреляет из водомета и слезоточивого снаряда
   # 'протестующие фермеры пытаются сломать баррикады своими машинами, автомобилями и'
   # тракторы.)
   
   # Стэнфорд
   pprint (lemmatize_corenlp (conn_nlp = conn_nlp, предложение = предложение))
   # ('следите за атакой мыши, фермер по уходу идет в Дели для лучшей жизни'
   # 'состояние полиции Дели во вторник стреляет из водометов и слезоточивого снаряда'
   # 'протестуют фермеры, пытающиеся сломать баррикады с их легковой машиной и'
   # 'трактор')
     

   12.Заключение

   Итак, это методы, которые вы можете использовать в тексте, когда беретесь за проект НЛП. Буду рад узнать, есть ли у вас какие-либо новые подходы или предложения из ваших комментариев. Удачного обучения!

   как обойти секретную программу для чтения резюме

   Возможно, вы знаете, что ваше резюме не отправляется сразу на стол менеджера по найму после подачи заявления.

   Сначала он проходит через систему отслеживания кандидатов (ATS) компании и, что очень важно, через «синтаксический анализатор резюме».Синтаксический анализатор резюме — это программа, которая превращает ваше резюме в аккуратную груду слов, которые компьютеры компании могут прочитать, понять, сортировать, искать и, к сожалению, испортить, если вы не будете осторожны.

   Ваша цель — максимизировать понимание и свести к минимуму искажения.

   Недавно у меня была возможность получить совет по резюме от генеральных директоров и технических экспертов по резюме в Hiretual, Textkernel, Sovren, DaXtra и HireAbility, пяти крупнейших в мире компаниях по синтаксическому анализу резюме. Они поделились ценной информацией о том, как привлечь внимание к вашему резюме.

   Будьте проще

   Наши эксперты единодушны по этому поводу. «Держитесь подальше от модных резюме», «делайте вещи простыми и ясными», «лекарство от плохого резюме — рассказывать меньше, более убедительно» и «избегать сложностей» — это были их мудрые слова.

   Никого не нанимают, потому что его резюме было слишком креативным. Возможно, профессиональные дизайнеры получат балл или два за действительно умного, но для остальных из нас любая тенденция к тому, чтобы быть милым, умным или креативным в своем резюме, вернется, чтобы укусить вас.

   Предпочтительнее использовать MS Word (или Google Docs), а не PDF

   В течение многих лет мы слышали, что файлы PDF позволяют лучше контролировать внешний вид, восприятие и содержание вашего резюме. Получатель не может случайно отредактировать или удалить раздел PDF-файла, что делает его безопасным выбором для вашего резюме. Но на самом деле наши специалисты объяснили, что это неправильный формат.

   Это потому, что PDF-файлы можно читать двумя разными способами, один из которых, по сути, является изображением вашего резюме.И когда это происходит, синтаксическим анализаторам действительно трудно правильно читать буквы, что вызывает у вас ошибки.

   Таким образом, MS Word — лучший выбор или Google Docs для тех из вас, кто использует GSuite.

   Интересно, что большинство экспертов предостерегали от использования шаблонов, найденных в Интернете, указывая, что скрытые таблицы и форматирование иногда действительно мешают тому, как ваше резюме читается синтаксическими анализаторами.

   Лучше всего логичное хронологическое представление в одном столбце

   Упростите анализатор, чтобы облегчить вам задачу.

   Одна колонка — лучшая презентация. Многие эксперты признали тенденцию к отображению в образцах онлайн-резюме двух столбцов. К сожалению, хотя это может показаться привлекательным для человека, читающего ваше резюме, это часто сбивает с толку парсеры.

   Будьте очень заметны в ваших ярлыках и заголовках. Называйте свой опыт работы «опыт работы» или «история работы», а не «шаги на моем пути». Назовите волонтерство «волонтерством», а не «вливанием в сообщество».

   Обратное хронологическое представление — правильный формат для вашего резюме.Это означает, что нужно начинать с самой последней работы и делать шаг назад во времени, чтобы по порядку коснуться каждого из ваших событий. Функциональные резюме выходят из моды и непонятны синтаксическим анализаторам.

   Не используйте свой профиль LinkedIn

   Один из наших экспертов был непреклонен в этом вопросе.

   «LinkedIn вот уже несколько лет проводит кампанию, направленную на то, чтобы их профили PDF не были точно читаемы с помощью программного обеспечения для синтаксического анализа. Это их право делать, но это оказывает медвежью услугу их пользователям.У меня нет проблем с тем, что LinkedIn пытается удержать людей от удаления этих данных из LinkedIn. Я не считаю это неэтичным, но считаю, что это прискорбно «.

   Важно убедиться, что ваш опыт и таланты проявляются правильно, и лучше всего использовать правильно оформленное резюме, которое вы контролируете, а не стороннюю социальную сеть, такую ​​как LinkedIn.

   Визуальные и графические изображения удалены.

   Модная тенденция добавления в резюме диаграмм или графиков для визуальной демонстрации вашего владения различными навыками не помогает вам общаться с менеджерами по найму.Выводы наших экспертов по синтаксическому анализу: «Визуальная информация не будет восприниматься машиной»; «Гистограммы, графика и другие средства визуальной коммуникации плохо обрабатываются синтаксическими анализаторами»; «Графика и изображения, значимые для человеческого глаза, не имеют значения для парсера, обычно они опускаются».

   Кроме того, текстовые поля, таблицы и строки будут отображаться плохо или совсем не отображаться. Не полагайтесь на них, чтобы донести свою ценность.

   С помощью этих идей ведущих мировых экспертов по синтаксическому анализу резюме у вас будет гораздо более удобочитаемое и эффективное резюме.

   ---

   Марк Сенеделла — основатель Ladders, Inc., где он пишет информационный бюллетень Career Advice Newsletter.

   ---

   Создание модели набора слов с нуля

   Это 13-я статья из моей серии статей о Python для НЛП. В предыдущей статье мы увидели, как создать простого чат-бота на основе правил, который использует косинусное сходство между векторами TF-IDF слов в корпусе и вводимых пользователем данных для генерации ответа. Модель TF-IDF в основном использовалась для преобразования слов в числа.

   В этой статье мы изучим еще одну очень полезную модель, которая преобразует текст в числа, то есть мешок слов (BOW).

   Поскольку большинство статистических алгоритмов, например методы машинного обучения и глубокого обучения, работают с числовыми данными, мы должны преобразовывать текст в числа. В этом отношении существует несколько подходов. Однако самыми известными из них являются Bag of Words, TF-IDF и word2vec. Хотя существует несколько библиотек, таких как Scikit-Learn и NLTK, которые могут реализовать эти методы в одной строке кода, важно понимать принцип работы, лежащий в основе этих методов встраивания слов.Лучший способ сделать это — реализовать эти методы с нуля в Python, и именно этим мы и займемся сегодня.

   В этой статье мы увидим, как реализовать подход «Мешок слов» с нуля в Python. В следующей статье мы увидим, как реализовать подход TF-IDF с нуля на Python.

   Перед кодированием давайте сначала рассмотрим теорию, лежащую в основе подхода «мешок слов».

   Подход к теории за мешком слов

   Чтобы понять подход «мешка слов», давайте сначала рассмотрим пример.

   Предположим, у нас есть корпус из трех предложений:

   • «Я люблю играть в футбол»
   • «Вы вышли на улицу поиграть в теннис»
   • «Мы с Джоном играем в теннис»

   Теперь, если нам нужно выполнить классификацию текста или выполнить любую другую задачу для вышеуказанных данных с использованием статистических методов, мы не сможем этого сделать, поскольку статистические методы работают только с числами. Поэтому нам нужно преобразовать эти предложения в числа.

   Шаг 1. Обозначение предложений

   Первым шагом в этом отношении является преобразование предложений в нашем корпусе в токены или отдельные слова.Посмотрите на таблицу ниже:

   С

   Предложение 1	Предложение 2	Предложение 3
   I	Сделал	Иоанна
   нравится	вы	и
   до	идти	я
   играть	за пределами	играть
   футбол	по	теннис
   	играть
   	теннис

   Шаг 2. Создайте словарь частотности слов

   Следующим шагом является создание словаря, который будет содержать все слова в нашем корпусе в качестве ключей и частоту появления слов в качестве значений.Другими словами, нам нужно создать гистограмму слов в нашем корпусе. Взгляните на следующую таблицу:

   Word	Частота
   I	2
   нравится	1
   до	2
   играть	3
   футбол	1
   Сделал	1
   вы	1
   вперед	1
   за пределами	1
   теннис	2
   Джон	1
   и	1

   В приведенной выше таблице вы можете увидеть каждое слово в нашем корпусе с указанием частоты его появления.Например, вы можете видеть, что, поскольку слово play встречается в корпусе трижды (один раз в каждом предложении), его частота равна 3.

   В нашем корпусе было всего три предложения, поэтому нам легко создать словарь, содержащий все слова. В реальных сценариях в словаре будут миллионы слов. Некоторые слова будут иметь очень небольшую частоту. Слова с очень малой частотой не очень полезны, поэтому такие слова удаляются. Один из способов удалить слова с меньшей частотой — отсортировать словарь частотности слов в порядке убывания частоты, а затем отфильтровать слова, частота которых превышает определенный порог.

   Давайте рассортируем наш словарь частотности слов:

   Word	Частота
   играть	3
   теннис	2
   до	2
   I	2
   футбол	1
   Сделал	1
   вы	1
   вперед	1
   за пределами	1
   нравится	1
   Джон	1
   и	1

   Шаг 3. Создание набора слов Модель

   Чтобы создать модель мешка слов, нам нужно создать матрицу, в которой столбцы соответствуют наиболее часто используемым словам в нашем словаре, а строки соответствуют документу или предложениям.

   Предположим, мы отфильтровываем 8 наиболее часто встречающихся слов из нашего словаря. Тогда матрица частот документа будет выглядеть так:

   	Играть	Теннис	К	я	Футбол	Сделал	Вы	идти
   Предложение 1	1	0	1	1	1	0	0	0
   Предложение 2	1	1	1	0	0	1	1	1
   Предложение 3	1	1	0	1	0	0	0	0

   Важно понимать, как создается приведенная выше матрица.В приведенной выше матрице первая строка соответствует первому предложению. В первом случае слово «играть» встречается один раз, поэтому мы добавили 1 в первый столбец. Слово во втором столбце — «Теннис», его нет в первом предложении, поэтому мы добавили 0 во второй столбец для предложения 1. Точно так же во втором предложении оба слова «Играть» и «Теннис» «встречаются один раз, поэтому мы добавили 1 в первые два столбца. Однако в пятом столбце мы добавляем 0, поскольку во втором предложении слова «футбол» нет.Таким образом, все ячейки в приведенной выше матрице заполняются либо 0, либо 1, в зависимости от появления слова. Итоговая матрица соответствует модели «мешок слов».

   В каждой строке вы можете увидеть числовое представление соответствующего предложения. Например, первая строка показывает числовое представление Предложение 1 . Это числовое представление теперь можно использовать в качестве входных данных для статистических моделей.

   Хватит теории, давайте реализуем нашу собственную модель набора слов с нуля.

   Модель мешка слов на языке Python

   Первое, что нам нужно для создания нашей модели Bag of Words, — это набор данных. В предыдущем разделе мы вручную создали модель мешка слов из трех предложений. Однако реальные наборы данных огромны и состоят из миллионов слов. Лучший способ найти случайный корпус — это Википедия.

   На первом этапе мы очистим статью в Википедии об обработке естественного языка. Но сначала импортируем необходимые библиотеки:

     импорт НЛТК
   импортировать numpy как np
   случайный импорт
   строка импорта
   
   импортировать bs4 как bs
   импортировать urllib.запрос
   импорт ре
     

   Как и в предыдущей статье, мы будем использовать библиотеку Beautifulsoup4 для анализа данных из Википедии. Кроме того, библиотека регулярных выражений Python re будет использоваться для некоторых задач предварительной обработки текста.

   Затем нам нужно очистить статью в Википедии об обработке естественного языка.

     raw_html = urllib.request.urlopen ('https://en.wikipedia.org/wiki/Natural_language_processing')
   raw_html = raw_html.read ()
   
   article_html = bs.BeautifulSoup (raw_html, 'lxml')
   
   article_paragraphs = article_html.find_all ('p')
   
   article_text = ''
   
   для пункта в article_paragraphs:
       article_text + = para.text
     

   В приведенном выше сценарии мы импортируем необработанный HTML-код для статьи в Википедии. Из необработанного HTML мы фильтруем текст в тексте абзаца. Наконец, мы создаем полный корпус, объединив все абзацы.

   Следующий шаг — разбить корпус на отдельные предложения. Для этого воспользуемся функцией sent_tokenize из библиотеки NLTK.

     corpus = nltk.sent_tokenize (article_text)
     

   В нашем тексте есть знаки препинания. Мы не хотим, чтобы знаки препинания были частью нашего частотного словаря слов. В следующем скрипте мы сначала преобразуем наш текст в нижний регистр, а затем удалим знаки препинания из нашего текста. Удаление знаков препинания может привести к появлению нескольких пустых пробелов. Мы удалим пустые места из текста с помощью регулярного выражения.

   Посмотрите на следующий сценарий:

     для i in range (len (corpus)):
       корпус [я] = корпус [я].ниже()
       корпус [я] = re.sub (г '\ W', '', корпус [я])
       корпус [я] = re.sub (г '\ s +', '', корпус [я])
     

   В приведенном выше сценарии мы перебираем каждое предложение в корпусе, преобразуем предложение в нижний регистр, а затем удаляем знаки препинания и пробелы из текста.

   Давайте узнаем количество предложений в нашем корпусе.

     печать (len (корпус))
     

   Вывод показывает 49.

   Выведем одно предложение из нашего корпуса:

     отпечаток (корпус [30])
     

   Выход:

     в 2010-х годах методы машинного обучения в стиле репрезентативного обучения и глубоких нейронных сетей получили широкое распространение в обработке естественного языка отчасти из-за большого количества результатов, показывающих, что такие методы 4 5 могут обеспечить современные результаты во многих задачах естественного языка, например языковое моделирование 6 парсинг 7 8 и многие другие
     

   Вы можете видеть, что текст не содержит специальных символов или нескольких пустых пробелов.

   Теперь у нас есть собственный корпус. Следующим шагом является разметка предложений в корпусе и создание словаря, содержащего слова и соответствующие им частоты в корпусе. Посмотрите на следующий сценарий:

     wordfreq = {}
   для предложения в корпусе:
       tokens = nltk.word_tokenize (предложение)
       для токена в токенах:
           если токена нет в wordfreq.keys ():
               wordfreq [токен] = 1
           еще:
               wordfreq [токен] + = 1
     

   В приведенном выше скрипте мы создали словарь с именем wordfreq .Затем мы перебираем каждое предложение в корпусе. Предложение преобразуется в слова. Затем мы перебираем каждое слово в предложении. Если слово не существует в словаре wordfreq , мы добавим слово в качестве ключа и установим значение слова как 1. В противном случае, если слово уже существует в словаре, мы просто увеличим значение ключа. сосчитать на 1.

   Если вы выполняете вышеуказанное в редакторе Spyder, как я, вы можете перейти в проводник переменных справа и щелкнуть переменную wordfreq .Вы должны увидеть такой словарь:

   Вы можете увидеть слова в столбце «Ключ» и их частоту появления в столбце «Значение».

   Как я сказал в теоретическом разделе, в зависимости от поставленной задачи не все слова полезны. В огромных корпусах могут быть миллионы слов. Мы можем фильтровать наиболее часто встречающиеся слова. Всего в нашем корпусе 535 слов. Давайте отфильтруем до 200 наиболее часто встречающихся слов. Для этого мы можем использовать библиотеку Python heap .

   Посмотрите на следующий сценарий:

     импорт heapq
   most_freq = heapq.nlargest (200, wordfreq, ключ = wordfreq.get)
     

   Теперь наш список most_freq содержит 200 наиболее часто встречающихся слов с указанием частоты их появления.

   Последний шаг — преобразовать предложения в нашем корпусе в их соответствующее векторное представление. Идея проста: для каждого слова в словаре most_freq , если слово существует в предложении, к слову будет добавлена ​​1, в противном случае будет добавлен 0.

     offer_vectors = []
   для предложения в корпусе:
       предложение_tokens = nltk.word_tokenize (предложение)
       sent_vec = []
       для токена в most_freq:
           если токен в фразе_tokens:
               sent_vec.append (1)
           еще:
               sent_vec.append (0)
       предложение_vectors.append (sent_vec)
     

   В приведенном выше сценарии мы создаем пустой список предложений_вектора , в котором будут храниться векторы для всех предложений в корпусе. Затем мы перебираем каждое предложение в корпусе и создаем пустой список sent_vec для отдельных предложений.Точно так же мы токенизируем предложение. Затем мы перебираем каждое слово в списке most_freq и проверяем, существует ли слово в токенах для предложения. Если слово является частью предложения, к индивидуальному вектору предложения sent_vec добавляется 1, иначе добавляется 0. Наконец, вектор предложения добавляется к списку привлекательных_векторов , который содержит векторы для всех предложений. По сути, это предложений_векторов — наша модель набора слов.

   Однако модель мешка слов, которую мы видели в разделе теории, была в виде матрицы. Наша модель представлена ​​в виде списка списков. Мы можем преобразовать нашу модель в матричную форму с помощью этого скрипта:

     предложения_вектора = np.asarray (векторы_предложения)
     

   По сути, в следующем скрипте мы преобразовали наш список в двумерный массив numpy, используя функцию asarray . Теперь, если вы откроете переменную scheme_vectors в проводнике переменных редактора Spyder, вы должны увидеть следующую матрицу:

   Вы можете увидеть модель «Мешок слов», содержащую 0 и 1.

   Заключение

   Модель

   Bag of Words — один из трех наиболее часто используемых подходов к встраиванию слов, двумя другими являются TF-IDF и Word2Vec.

   В этой статье мы увидели, как реализовать подход «Мешок слов» с нуля на Python. Теория подхода была объяснена вместе с практическим кодом для его реализации. В следующей статье мы увидим, как реализовать подход TF-IDF с нуля на Python.

   14 самых популярных источников рефереров по количеству слов, типу устройства и просматриваемым категориям

   Если вы приезжаете сюда впервые, я настоятельно рекомендую вам ознакомиться с частью I этого исследования «Прогнозирование источников трафика к контенту в 2019 году», в которой мы исследуем трафик и надежность роста для каждого из платформы, представленные здесь.И если вы хотите взять эти данные с собой, мы предлагаем полную загрузку, доступную в конце этого сообщения.

   Может быть, это потому, что я провожу много времени с командами по взаимодействию с аудиторией, но после публикации моего анализа роста платформы мне больше всего понравились отзывы, которые я получил от читателей. Прежде чем мы углубимся в свой следующий анализ, я хотел прояснить кое-что, что было связано с темой вопросов, которые я услышал в ответах на Часть I.

   Как происходит рост реферального трафика: рост числа пользователей vs.изменения платформы

   «Я не знаю никого, кто пользуется Flipboard или SmartNews». — все, кто писал мне по электронной почте

   Мне нравится находить необычные идеи в наших данных или все, что ставит под сомнение мою точку зрения на то, что я считаю «нормальным». Но настоящих прорывов или новой информации из любого рода данных, реферальных или иных, на самом деле, как правило, немного.

   Обычно это хорошо. Если каждый божий день будут появляться новые сюрпризы, я обещаю, что ваша работа будет сложнее, чем сейчас.Данные не должны постоянно удивлять . И на самом деле эта тенденция SmartNews и Flipboard нас не удивила.

   Flipboard является растущим источником реферального трафика с 2017 года. Совсем недавно в ноябре 2018 года наше внимание привлек SmartNews. Множество людей используют эти и многие другие приложения каждый день. Фактически, эти два приложения прекрасно иллюстрируют разницу между изменениями в поведении читателя и изменениями в продукте.

   Рост переходов, вызванный изменениями в продукте, означает изменение дизайна приложения или обновление алгоритма, которые поощряют или отговаривают людей посещать ваш сайт.В целом в эту категорию попали Google в 2018 году и Facebook в 2017 году. Google добавил несколько способов, позволяющих людям находить контент непосредственно в их продуктах, а Facebook, конечно же, изменил алгоритм новостной ленты.

   На рост переходов, вызванный изменениями в поведении читателей, безусловно, могут повлиять изменения продукта, но иногда это намного проще. В то время как Google и Facebook вряд ли добавят намного больше пользователей, SmartNews и Flipboard имеют меньшее проникновение на рынок и меньшую осведомленность, а это означает, что у них есть больше возможностей для роста.Следствием этого является то, что многие люди не слышали о них или слышали о том, что многие люди их используют.

   Тем не менее, о них узнают больше. SmartNews показывал телевизионную рекламу в 2018 году. Компания Flipboard внесла изменение в технологию, которое направляет больше трафика на сайты напрямую, и имеет команду из 25-30 редакторов. Следите за Pinterest с этого фронта в 2019 году, когда они наняли своего первого директора по маркетингу в конце 2018 года.

   Устойчивые темпы роста этих агрегаторов на самом деле показывают влияние успешного маркетинга продукта .И, к сведению, мы не видим никаких подозрительных закономерностей — например, тонны просмотров страниц ровно в полночь — которые указывали бы на то, что боты или страницы с предварительным кэшированием пытаются «подделать» цифры роста.

   Мы не можем сказать, когда их количество пользователей увеличится. Конечно, маловероятно, что каждая платформа достигнет размеров Facebook или Google. Но сейчас мы видим, что эта тенденция продолжается.

   А вот ваша история из выборки одного человека, давнего пользователя Flipboard (теперь вы знаете одного), я расскажу вам, почему я его использую: потому что он был предустановлен на моем первом смартфоне.И это не намного сложнее. В 2012 году я недавно переехал в Нью-Йорк, и у меня было много времени читать в дороге. В моем Samsung Galaxy S3, первом телефоне Android с предустановленной Flipboard, было как раз решение: агрегатор новостей по темам, которые меня интересовали больше всего. Это было удобно; теперь это привычка.

   Разбивка совокупных тенденций по платформе рефереров

   Хорошо, теперь перейдем к обещанной Части II. Пусть это исследование будет упражнением в открытии, а не планом для разработки следующего алгоритма.

   Увеличение масштаба каждой платформы позволяет нам поместить некоторые совокупные числа в контекст. Мы изучили контент за последние три месяца (с ноября 2018 г. по январь 2019 г.), чтобы получить представление о наиболее актуальных интересах аудитории по каждому из них. Мы рассмотрели четыре измерения:

   • Количество слов. Вы можете контролировать длину кусков. Какие платформы имеют аппетит к длинному контенту? Кто предпочитает быстрые попадания?
   • Устройство. В целом, мир становится все более мобильным, хотя настольным компьютерам все еще есть место, и вы должны знать, где.Мы много писали о содержании с поддержкой AMP, но я не могу не подчеркнуть, насколько важно, чтобы мы осознавали степень влияния Google за пределами его собственных продуктов.
   • Категории контента по популярности. Если вы вообще не пишете о политике, тот факт, что SmartNews растет, может быть для вас не важен. Здесь вы можете сосредоточиться на платформах, которые вам подходят.
   • Категории контента по запросу. Мы определяем спрос на категории как среднее количество просмотров на пост.Спрос на контент — это мощный показатель для выявления относительно недостаточно освещенных тем и способ найти аудиторию, которая, возможно, захочет уделять больше внимания тому, о чем вы пишете.

   Количество слов по платформам

   Из миллионов изученных нами сообщений, опубликованных с ноября 2018 года, средняя длина по количеству слов составила 529, нижний квартиль — 261 слово, а верхний квартиль — 998 слов. Большая часть содержания варьируется от 200 до 600 слов.

   Платформы, на которых лучше всего подходят очень короткие текстовые сообщения, включают Pinterest, Facebook, Instagram, SmartNews, а также Yahoo Search и другие рефералы Yahoo.В случае с Pinterest лучше всего подойдут посты с большим количеством изображений или короткие обучающие посты. В случае с Facebook, возможно, это связано со статистикой, опубликованной Bloomberg, о том, что, хотя пользователи проводят 45 минут в день в Facebook, «средний сеанс Facebook длился менее 90 секунд […], пока вы ждали в очереди к кассе, пытаясь избегайте зрительного контакта между остановками метро или сидением в туалете ».

   Linkedin, Reddit (не для приложений) и Drudge Report направляют пропорционально больше трафика на длинные сообщения (более 1000 слов).

   Использование устройства рефералом платформы

   Мобильный трафик вырос на 25% в течение 2018 года. Это соответствует другим отчетам о тенденциях на рынке, включая отчет Мэри Микер, показывающий рост как времени, проведенного с мобильными устройствами, планшетами и другими подключенными устройствами, но небольшое снижение на настольных компьютерах.

   И удивительно, удивительно, что приложения, которые продемонстрировали наибольший рост в прошлом году, SmartNews, Flipboard, Instagram, Google-Other, также имеют тенденцию иметь большую часть, если не всю свою аудиторию на мобильных устройствах.Все больше платформ на основе поиска, Google Новостей и Поисковых платформ противостоят этой тенденции, при этом доля настольных компьютеров все еще высока.

   Тем не менее, настольные ПК не умерли! У него гораздо более высокие показатели по прямым и внутренним переходам. Это может указывать на то, что люди чаще переходят по ссылкам из приложений электронной почты и чата (Slack, кто-нибудь?) На своем рабочем столе. Связанный контент или модули «читать дальше», вероятно, будут работать лучше, когда их больше экрана, чтобы их увидеть.

   Desktop-трафик также немного больше соответствует бизнес-контенту и лонгридам, при этом такие платформы, как LinkedIn, демонстрируют более высокий процент читателей в обеих категориях.(Не путайте это с мыслью, что люди не читают длинные формы на мобильных устройствах.)

   Одно немного удивительное исключение из этого правила — Pinterest, с большим количеством коротких постов, стабильным реферальным трафиком, но также с более высокой аудиторией на настольных компьютерах. Новый директор по маркетингу охарактеризовал аудиторию Pinterest как «уникальную» для AdWeek, сказав: «Мы узнали, что пользователи обращаются к Pinterest, когда они что-то активно ищут, но при этом не знают, каким может быть конкретный ответ». Возможно, этот уникальный образ мышления означает, что рефералы больше похожи на поиск, чем на другие социальные сети.

   С мобильным трафиком AMP постепенно приходит к власти. AMP — это, конечно, продукт Google, но он выходит далеко за пределы продуктов, принадлежащих Google. Это может помочь думать о нем как о шаблоне с быстрой загрузкой, а не о самом канале или платформе, то есть о шаблоне, который можно использовать на любой платформе, но который открывается в веб-просмотре Google (т.е. не в вашем мобильном браузере по умолчанию). . И это повсюду — следите за обновлениями на этом фронте.

   Популярность и востребованность категорий контента по платформам

   Сначала небольшой контекст для категорий.Как часть нашей платформы Currents, наша система читает полный текст каждого сообщения в нашей сети, чтобы определить, о чем эта статья. (Вы можете прочитать о том, как мы используем НЛП и машинное обучение для этого здесь, но мы пропустим детали в этом посте.) Мы рассмотрим 10 самых популярных категорий для каждой платформы, и вы можете изучить полный список категорий здесь. .

   Показатель популярности, который мы рассматриваем, прост: общее количество просмотров страниц для категории от реферера.

   Однако по запросу мы смотрим на немного более детальное представление — сколько просмотров на статью.Это может означать, что люди хотели бы узнать больше о категории, а на платформе их недостаточно. Однако это также может означать, что в этой категории много статей. Например: спорт как категория имеет «низкий спрос». О спорте написано больше статей, и многие из них представляют собой краткие сводки сделок или результатов, которые, как и следовало ожидать, не собирают огромное количество читателей на публикацию.

   Если вы пытаетесь решить, в какую платформу инвестировать ресурсы, обратите внимание на нашу статистику роста из Части I.

   Но также подумайте, куда попадает ваш контент в приведенных ниже списках. Эта категория пользуется большим спросом? Он популярен, но сильно насыщен? Если платформа представляет для вас интересную возможность, попробуйте поэкспериментировать с востребованными категориями, которые могут увеличить количество просмотров на публикацию.

   (Нужна ли эта информация под рукой на будущее? Загрузите полный отчет, который включает каждую категорию реферера и связанную статистику.)

   Платформы по популярности и востребованности категорий контента

   Категории каждого источника рефералов за период с ноября 2018 года по январь 2019 года показаны ниже в порядке роста просмотров в 2018 году. Закон, правительство и политика занимает первое место по популярности среди многих источников рефералов, так как это самая читаемая категория в нашей сети. Тремя исключениями из этого правила являются Pinterest, Instagram и LinkedIn, хотя Закон, правительство и политика по-прежнему занимает высокие позиции как для Instagram, так и для LinkedIn (для Pinterest это нигде не видно). В Google Search и Twitter Sports являются второй по популярности категорией.

   Спрос сильно различается на разных платформах.Чтобы подробнее изучить любую категорию или просмотреть более свежие данные, щелкните, чтобы просмотреть их в Currents.

   SmartNews

   Изучите рефералы SmartNews в Currents

   Новости Google

   Изучите Переходы из Google Новостей в Currents

   Google — Другое

   Изучите Google — Другие рефералы в Currents

   Доска для переноски

   Изучите рефералы Flipboard в Currents

   Facebook

   Изучите рефералов Facebook в Currents
   

   Instagram

   
   

   Изучите рефералов Instagram в Currents

   Bing

   Изучите рефералов Bing в Currents

   Pinterest

   Изучите рефералы Pinterest в Currents

   Поиск в Google

   Изучите рефералов из поиска Google в Currents

   Yahoo! Поиск

   Откройте для себя Yahoo! Искать рефералов в Currents

   LinkedIn

   Изучите рефералов LinkedIn в Currents

   Отчет Drudge

   Изучите ссылки Drudge Report в Currents

   Твиттер

   Изучите рефералов Twitter в Currents

   Yahoo — Прочее

   Изучите Yahoo — Другие рефералы в Currents

   Если вы зашли так далеко, я добавлю, что был еще один отзыв, который я любил слышать: «Спасибо за оценку меня и моей работы.”

   Итак, чтобы завершить это исследование, нет — спасибо за вас и вашу работу. Вы тот, кто заставляет эти вещи происходить.

   Что-то подтвердило ваши подозрения? Видите что-то совершенно иное, чем то, что мы видим с вашими данными? Как всегда, расскажи мне об этом! Я обещаю погрузиться в цифры вместе с вами.

   И если вы хотите взять всю эту информацию с собой или погрузиться в конкретный реферер, зарегистрируйтесь, чтобы загрузить полный PDF-файл каждого источника рефералов, конкретные номера для каждого и мои горячие отзывы по каждому из них.

   Связанные

   Любишь пиццу? Нравится данные контент-аналитики? Наш информационный бюллетень предоставляет и то, и другое. Присоединяйтесь к нам!

   .