電子發(fā)燒友App
自然語言處理
自然語言處理廣納了眾多技術(shù)，對自然或人類語言進(jìn)行自動(dòng)生成，處理與分析。雖然大部分 NLP 技術(shù)繼承自語言學(xué)和人工智能，但同樣受到諸如機(jī)器學(xué)習(xí)，計(jì)算統(tǒng)計(jì)學(xué)和認(rèn)知科學(xué)這些相對新興的學(xué)科影響。
在展示 NLP 技術(shù)的例子前，有必要介紹些非?；A(chǔ)的術(shù)語。請注意：為了讓文章通俗易懂，這些定義在語言上就不一定考究。
詞例（Token）：對輸入文本做任何實(shí)際處理前，都需要將其分割成諸如詞、標(biāo)點(diǎn)符號(hào)、數(shù)字或純字母數(shù)字（alphanumerics）等語言單元（linguistic units）。這些單元被稱為詞例。
句子：由有序的詞例序列組成。
詞例還原（Tokenization）：將句子還原成所組成的詞例。以分割型語言（segmented languages）英語為例，空格的存在使詞例還原變得相對容易同時(shí)也索然無味。然而，對于漢語和阿拉伯語，因?yàn)闆]有清晰的邊界，這項(xiàng)工作就稍顯困難。另外，在某些非分割型語言（non-segmented languages）中，幾乎所有的字符（characters）都能以單字（one-character）存在，但同樣也可以組合在一起形成多字（multi-characterwords）形式。
語料庫：通常是由豐富句子組成的海量文本。
詞性標(biāo)簽（Part-of-speech （POS） Tag）：任一單詞都能被歸入到至少一類詞匯集（set of lexical）或詞性條目（part-of-speech categories）中，例如：名詞、動(dòng)詞、形容詞和冠詞等。詞性標(biāo)簽用符號(hào)來代表一種詞匯條目——NN（名詞）、VB（動(dòng)詞）、JJ（形容詞）和 AT（冠詞）。Brown Corpus 是最悠久，也是最常用的標(biāo)注集之一。詳情且聽下回分解。
剖析樹（Parse Tree）：利用形式語法（formal grammar）的定義，可以用樹狀圖來表示給定句子的句法（syntactic）結(jié)構(gòu)。
認(rèn)識(shí)了基本的術(shù)語，下面讓我們了解 NLP 常見的任務(wù)：
詞性標(biāo)注（POS Tagging）：給定一個(gè)句子和組詞性標(biāo)簽，常見的語言處理就是對句子中的每個(gè)詞進(jìn)行標(biāo)注。舉個(gè)例子，The ball is red，詞性標(biāo)注后將變成 The/AT ball/NN is/VB red/JJ。最先進(jìn)的詞性標(biāo)注器［9］準(zhǔn)確率高達(dá) 96%。文本的詞性標(biāo)注對于更復(fù)雜的 NLP 問題，例如我們后面會(huì)討論到的句法分析（parsing）和機(jī)器翻譯（machine translation）非常必要。
計(jì)算形態(tài)學(xué)（Computational Morphology）：大量建立在“語素”（morphemes/stems）基礎(chǔ)上的詞組成了自然語言，語素雖然是最小的語言單元，卻富含意義。計(jì)算形態(tài)學(xué)所關(guān)心的是用計(jì)算機(jī)發(fā)掘和分析詞的內(nèi)部結(jié)構(gòu)。
句法分析（Parsing）：在語法分析的問題中，句法分析器（parser）將給定句子構(gòu)造成剖析樹。為了分析語法，某些分析器假定一系列語法規(guī)則存在，但目前的解析器已經(jīng)足夠機(jī)智地借助復(fù)雜的統(tǒng)計(jì)模型［1］直接推斷分析樹。多數(shù)分析器能夠在監(jiān)督式設(shè)置（supervised setting）下操作并且句子已經(jīng)被詞性標(biāo)注過了。統(tǒng)計(jì)句法分析是自然語言處理中非常活躍的研究領(lǐng)域。
機(jī)器翻譯（Machine Translation（MT））：機(jī)器翻譯的目的是讓計(jì)算機(jī)在沒有人工干預(yù)的情況下，將給定某種語言的文本流暢地翻譯成另一種語言文本。這是自然語言處理中最艱巨的任務(wù)之一，這些年來已經(jīng)用許多不同的方式解決。幾乎所有的機(jī)器翻譯方法都依賴了詞性標(biāo)注和句法分析作為預(yù)處理。
Python
Python 是一種動(dòng)態(tài)類型（dynamically-typed），面向?qū)ο蟮慕忉屖剑╥nterpreted）編程語言。雖然它的主要優(yōu)勢在于允許編程人員快速開發(fā)項(xiàng)目，但是大量的標(biāo)準(zhǔn)庫使它依然能適應(yīng)大規(guī)模產(chǎn)品級(jí)工程項(xiàng)目。Python 的學(xué)習(xí)曲線非常陡峭并且有許多優(yōu)秀的在線學(xué)習(xí)資源［
NLTK自然語言處理工具包
NLTK簡介
NLTK是構(gòu)建Python程序與人類語言數(shù)據(jù)工作的主要平臺(tái)。它提供了易于使用的界面，以超過50語料庫和詞匯資源，如WordNet的，連同一套文字處理庫進(jìn)行分類，標(biāo)記化，詞干，標(biāo)記，分析和語義推理，和活躍的論壇。
得益于動(dòng)手指南介紹編程基礎(chǔ)在旁邊計(jì)算語言學(xué)課題，NLTK適合語言學(xué)家，工程師，學(xué)生，教育工作者，研究人員和行業(yè)用戶的一致好評。 NLTK可用于Windows，Mac OS X和Linux。最重要的是，NLTK是一個(gè)免費(fèi)，開源，社區(qū)驅(qū)動(dòng)的項(xiàng)目。
使用 NLTK
NLTK 官網(wǎng)提供了很棒的說明文件和教程進(jìn)行學(xué)習(xí)指導(dǎo)［13］。單純復(fù)述那些作者們的文字對于他們和本文都不公平。因此我會(huì)通過處理四個(gè)難度系數(shù)依次上升的 NLP 任務(wù)來介紹 NLTK。這些任務(wù)都來自于 NLTK 教程中沒有給出答案的練習(xí)或者變化過。所以每個(gè)任務(wù)的解決辦法和分析都是本文原創(chuàng)的。
NLTK 語料庫
正如前文所說，NLTK 囊括數(shù)個(gè)在 NLP 研究圈里廣泛使用的實(shí)用語料庫。在本節(jié)中，我們來看看三個(gè)下文會(huì)用到的語料庫：
布朗語料庫（Brown Corpus）：Brown Corpus of Standard American English 被認(rèn)為是第一個(gè)可以在計(jì)算語言學(xué)處理［6］中使用的通用英語語料庫。它包含了一百萬字 1961 年出版的美語文本。它代表了通用英語的樣本，采樣自小說，新聞和宗教文本。隨后，在大量的人工標(biāo)注后，誕生了詞性標(biāo)注過的版本。
古登堡語料庫（Gutenberg Corpus）：古登堡語料庫從最大的在線免費(fèi)電子書［5］平臺(tái) 古登堡計(jì)劃（Gutenberg Project） 中選擇了 14 個(gè)文本，整個(gè)語料庫包含了一百七十萬字。
Stopwords Corpus：除了常規(guī)的文本文字，另一類諸如介詞，補(bǔ)語，限定詞等含有重要的語法功能，自身卻沒有什么含義的詞被稱為停用詞（stop words）。NLTK 所收集的停用詞語料庫（Stopwords Corpus）包含了 來自 11 種不同語言（包括英語）的 2400 個(gè)停用詞。
NLTK 命名約定
在開始利用 NLTK 處理我們的任務(wù)以前，我們先來熟悉一下它的命名約定（naming conventions）。最頂層的包（package）是 nltk，我們通過使用完全限定（fully qualified）的加點(diǎn)名稱例如：nltk.corpus and nltk.utilities 來引用它的內(nèi)置模塊。任何模塊都能利用 Python 的標(biāo)準(zhǔn)結(jié)構(gòu) from 。 。 。 import 。 。 。 來導(dǎo)入頂層的命名空間。
windows下NLTK環(huán)境搭建
python安裝
選擇 2.7x版本進(jìn)行下載，不建議下載3.X版本，因?yàn)楝F(xiàn)在很多python代碼庫還是基于舊的版本編寫的，所以不建議使用3.X版本。安裝完成后，使用打開自帶的IDLE，結(jié)果如下：
Note：
推薦編寫python代碼好用的IDE：pycharm，上手比較簡單，文檔較齊全
下載地址：http://www.jetbrains.com/pycharm/
附幾個(gè)PyCharm4注冊碼：
name ：newasp
=====LICENSE BEGIN =====
09086-12042010
00001EBwqd8wkmP2FM34Z05iXch1Ak
KI0bAod8jkIffywp2WalWZejIQ6AAu
AVVPbzHZpOvqvdJFHEBbvbXW2t1jQI
=====LICENSE END =====
name ：newasp
=====LICENSE BEGIN =====
58877-12042010
00002h9ii68IdWfbdJz2UraWcsVxFY
?。1WD9cwRDMoW2pOUeC0WBqLAMo5PX
lQ7cE8qMukEYuWY6！EnjYWn！2EDTio
=====LICENSE END =====
name ：newasp
=====LICENSE BEGIN =====
46753-12042010
000013xjAPHl95oQRCb“KnLsrXfWYa
L3aYClCOtBVysdtzBBPU5XCB3QUjLC
T1yMRB7YNC0d15A2cbwXTwXCwCjJEP
=====LICENSE END =====
name ：newasp
=====LICENSE BEGIN =====
62458-12042010
00002r53OfrSCVqjsI0zdG5E4pMM5Z
dBAGbxVOX！OPwIkBqunfKf2zQDgECf
XrLosbjBEp！2JfFuydkblmqWPevvB0
===== LICENSE END =====
NLTK 安裝
下載NLTK及安裝
官方網(wǎng)站：http://www.nltk.org/ 下載網(wǎng)址：https://pypi.python.org/pypi/nltk
由于是在windows環(huán)境下安裝nltk，選擇：
下載完成后，正常安裝，在python安裝目錄下的能找到相應(yīng)的NLTK庫，作者機(jī)器路徑如下：
C：Python27Libsite-packages ltk
測試
安裝完成后，進(jìn)行測試：
下載NLTK數(shù)據(jù)源
輸入import nltk如果沒有出現(xiàn)異常，則表明nltk已經(jīng)安裝正確，但還需要下載相應(yīng)的訓(xùn)練數(shù)據(jù)源，使用nltk.download（）進(jìn)行下載：
得到結(jié)果如圖：
選擇all，等待下載結(jié)束即可。
Note：
可能出現(xiàn)的問題：ImportError:No module named yaml
該問題是由于沒有安裝pyyaml，下載地址：http://pyyaml.org/download/pyyaml/PyYAML-3.10.win32-py2.7.exe
下載安裝即可。
NLTK自帶方法進(jìn)行自然語言處理
NLTK進(jìn)行分句
函數(shù)：
sent_tokenize（text，language=‘english’）
text ： 將要被分割的語句文本
language：Punkt分句程序指定模型名字，可忽略
返回值：
list類型：使用NTLK推薦分句程序得到的結(jié)果
示例：
NLTK進(jìn)行分詞
函數(shù)：
word_tokenize（text，language=‘english’）
參數(shù)：
text：將要進(jìn)行分詞的句子文本
language：Punkt分詞程序指定模型名字，可忽略
返回值：
list類型，使用NTLK推薦分詞程序得到的結(jié)果
示例：
NLTK詞性標(biāo)注
詞性標(biāo)注的結(jié)果含義可參照作者的另一篇博文：（自然語言處理文檔系列）Penn Treebank詞性標(biāo)記集
函數(shù)：
pos_tag（tokens，tagset=None）
參數(shù)：
tokens：list（str）類型，將要被標(biāo)注單詞的序列
tagset：可忽略
返回值：
list（tuple（str，str）），進(jìn)行詞性標(biāo)注后的結(jié)果
示例：
NLTK命名實(shí)體識(shí)別（NER）
函數(shù)：
ne_chunk（tagged_tokens，binary=False）
使用推薦的NER工具包進(jìn)行處理，處理之前需要利用詞性標(biāo)注的結(jié)果
參數(shù)：
tagged_tokens：list（tuple（str，str）），NLTK進(jìn)行詞性標(biāo)注的結(jié)果
binary：
返回值：
示例：
句法分析
nltk沒有好的parser，推薦使用stanfordparser，但是nltk有很好的樹類，該類用list實(shí)現(xiàn)?？梢岳胹tanfordparser的輸出構(gòu)建一棵python的句法樹。關(guān)于stanfordparser在第3章中有詳細(xì)介紹。
自然語言處理是非常熱門的研究領(lǐng)域因此每年吸引了非常多研究生。它集合了多個(gè)學(xué)科諸如語言學(xué)，心理學(xué)，計(jì)算科學(xué)和數(shù)學(xué)的優(yōu)勢來研究人類語言。另外選擇 NLP 作為研究生生涯更重要的原因是大量有意思的難題都沒有固定的解決辦法。舉個(gè)例子，機(jī)器翻譯初始問題（original problem）的存在推動(dòng)了該領(lǐng)域的發(fā)展，即使經(jīng)過二十年誘人而又活躍的研究以后，這個(gè)難題依舊尚待解決。還有另外幾個(gè)前沿的 NLP 問題目前已經(jīng)有大量的研究工作，其中一些列舉如下：
基于句法的機(jī)器翻譯：從過去的數(shù)十年到現(xiàn)在，絕大部分的機(jī)器翻譯都聚焦在使用統(tǒng)計(jì)方法通過大量語料庫來學(xué)習(xí)詞和短語的翻譯。然而，越來越多的研究者開始在研究中加入句法［10］。
多文本摘要：目前大量工作都是利用計(jì)算機(jī)從相近的文檔集合［8］中自動(dòng)生成高度相關(guān)的摘要。這個(gè)任務(wù)被視為比單文本的摘要困難，因?yàn)槎辔谋局腥哂?a target="_blank">信息更多。
計(jì)算句法分析：雖然使用概率模型自動(dòng)生成給定文本的句法結(jié)構(gòu)由來已久，但進(jìn)步空間還很大。最大的挑戰(zhàn)是準(zhǔn)確的分析，當(dāng)英語拿來和中文［7］、阿拉伯語比較的時(shí)候，語言特性差異很大。
Python 和 NLTK 使每個(gè)編程人員不需要花費(fèi)大量時(shí)間在獲取資源上，直接可以接觸 NLP 任務(wù)。文本意在給任何對學(xué)習(xí) NLP 感興趣的人提供解決這些簡單的任務(wù)例子和參考。
工商網(wǎng)監(jiān)
評論