Python NLTK自然语言处理:词干、词形与MaxMatch算法

CSDN:白马负金羁

自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。自然语言工具箱(NLTK,Natural Language Toolkit)是一个基于Python (http://lib.csdn.net/base/11)语言的类库,它也是当前最为流行的自然语言编程与开发工具。在进行自然语言处理研究和应用时,恰当利用NLTK中提供的函数可以大幅度地提高效率。本文就将通过一些实例来向读者介绍NLTK的使用。

开发环境:我所使用的Python版本是最新的3.5.1,NLTK版本是3.2。Python的安装不在本文的讨论范围内,我们略去不表。你可以从NLTK的官网上http://www.nltk.org/ 获得最新版本的NLTK。Anyway,使用pip指令来完成NLTK包的下载和安装无疑是最简便的方法。

当然,当你完成这一步时,其实还不够。因为NLTK是由许多许多的包来构成的,此时运行Python,并输入下面的指令(当然,第一条指令还是要导入NLTK包)

[python] view plain copy

  1. >>> import nltk
  2. >>> nltk.download()

然后,Python Launcher会弹出下面这个界面,建议你选择安装所有的Packages,以免去日后一而再、再而三的进行安装,也为你的后续开发提供一个稳定的环境。某些包的Status显示“out of date”,你可以不必理会,它基本不影响你的使用与开发。

既然你已经安装成功,我们来小试牛刀一下。当然本文涉及的主要任务都是自然语言处理中最常用,最基础的pre-processing过程,结合机器学习的高级应用我们会在后续文章中再进行介绍。

1、 Sentences Segment(分句)

也就是说我们手头有一段文本,我们希望把它分成一个一个的句子。此时可以使用NLTK中的 punkt sentence segmenter。来看示例代码

[python] view plain copy

  1. >>> sent_tokenizer = nltk.data.load('tokenizers/punkt/english.pickle')
  2. >>> paragraph = "The first time I heard that song was in Hawaii on radio.
  3. ... I was just a kid, and loved it very much! What a fantastic song!"
  4. >>> sentences = sent_tokenizer.tokenize(paragraph)
  5. >>> sentences
  6. ['The first time I heard that song was in Hawaii on radio.',
  7. 'I was just a kid, and loved it very much!',
  8. 'What a fantastic song!']

由此,我们便把一段话成功分句了。

2、Tokenize sentences (分词)

接下来我们要把每个句话再切割成逐个单词。最简单的方法是使用NLTK 包中的 WordPunct tokenizer。来看示例代码

[python] view plain copy

  1. >>> from nltk.tokenize import WordPunctTokenizer
  2. >>> sentence = "Are you old enough to remember Michael Jackson attending
  3. ... the Grammys with Brooke Shields and Webster sat on his lap during the show?"
  4. >>> words = WordPunctTokenizer().tokenize(sentence)
  5. >>> words
  6. ['Are', 'you', 'old', 'enough', 'to', 'remember', 'Michael', 'Jackson', 'attending',
  7. 'the', 'Grammys', 'with', 'Brooke', 'Shields', 'and', 'Webster', 'sat', 'on', 'his',
  8. 'lap', 'during', 'the', 'show', '?']

我们的分词任务仍然完成的很好。除了WordPunct tokenizer之外,NLTK中还提供有另外三个分词方法,

TreebankWordTokenizer,PunktWordTokenizer和WhitespaceTokenizer,而且他们的用法与WordPunct tokenizer也类似。然而,显然我们并不满足于此。对于比较复杂的词型,WordPunct tokenizer往往并不胜任。此时我们需要借助正则表达式的强大能力来完成分词任务,此时我所使用的函数是regexp_tokenize()。来看下面这段话

[python] view plain copy

  1. >>> text = 'That U.S.A. poster-print costs $12.40...'

目前市面上可以参考的在Python下进行自然语言处理的书籍是由Steven Bird、Ewan Klein、Edward Loper编写的《Python 自然语言处理》。但是该书的编写时间距今已有近十年的时间,由于软件包更新等语言,在新环境下进行开发时,书中的某些代码并不能很正常的运行。最后,我们举一个书中代码out of date的例子(对上面这就话进行分词),并给出相应的解决办法。首先来看书中的一段节录

[python] view plain copy

  1. >>> text = 'That U.S.A. poster-print costs $12.40...'
  2. >>> pattern = r'''''(?x) # set flag to allow verbose regexps
  3. ... ([A-Z]\.)+ # abbreviations, e.g. U.S.A.
  4. ... | \w+(-\w+)* # words with optional internal hyphens
  5. ... | \$?\d+(\.\d+)?%? # currency and percentages, e.g. $12.40, 82%
  6. ... | \.\.\. # ellipsis
  7. ... | [][.,;"'?():-_`] # these are separate tokens; includes ], [
  8. ... '''
  9. >>> nltk.regexp_tokenize(text, pattern)

我们预期得到输出应该是这样的

[python] view plain copy

  1. ['That', 'U.S.A.', 'poster-print', 'costs', '$12.40', '...']

但是我们实际得到的输出却是这样的(注意我们所使用的NLTK版本)

[python] view plain copy

  1. [('', '', ''),
  2. ('A.', '', ''),
  3. ('', '-print', ''),
  4. ('', '', ''),
  5. ('', '', '.40'),
  6. ('', '', '')]

会出现这样的问题是由于nltk.internals.compile_regexp_to_noncapturing()在V3.1版本的NLTK中已经被抛弃(尽管在更早的版本中它仍然可以运行),为此我们把之前定义的pattern稍作修改

[python] view plain copy

  1. pattern = r"""(?x) # set flag to allow verbose regexps
  2. (?:[A-Z]\.)+ # abbreviations, e.g. U.S.A.
  3. |\d+(?:\.\d+)?%? # numbers, incl. currency and percentages
  4. |\w+(?:[-']\w+)* # words w/ optional internal hyphens/apostrophe
  5. |\.\.\. # ellipsis
  6. |(?:[.,;"'?():-_`]) # special characters with meanings
  7. """

再次执行前面的语句,便会得到

[python] view plain copy

  1. >>> nltk.regexp_tokenize(text, pattern)
  2. ['That', 'U.S.A.', 'poster-print', 'costs', '12.40', '...']

Python自然语言处理:词干、词形与MaxMatch算法

自然语言处理中一个很重要的操作就是所谓的stemming 和 lemmatization,二者非常类似。它们是词形规范化的两类重要方式,都能够达到有效归并词形的目的,二者既有联系也有区别。

1、词干提取(stemming)

定义:Stemming is the process for reducing inflected (or sometimes derived) words to their stem, base or root form—generally a written word form.

解释一下,Stemming 是抽取词的词干或词根形式(不一定能够表达完整语义)。

NLTK中提供了三种最常用的词干提取器接口,即 Porter stemmer, Lancaster Stemmer 和 Snowball Stemmer。

Porter Stemmer基于Porter词干提取算法,来看例子

[python] view plain copy

  1. >>> from nltk.stem.porter import PorterStemmer
  2. >>> porter_stemmer = PorterStemmer()
  3. >>> porter_stemmer.stem(‘maximum’)
  4. u’maximum’
  5. >>> porter_stemmer.stem(‘presumably’)
  6. u’presum’
  7. >>> porter_stemmer.stem(‘multiply’)
  8. u’multipli’
  9. >>> porter_stemmer.stem(‘provision’)
  10. u’provis’
  11. >>> porter_stemmer.stem(‘owed’)
  12. u’owe’

Lancaster Stemmer 基于Lancaster 词干提取算法,来看例子

[python] view plain copy

  1. >>> from nltk.stem.lancaster import LancasterStemmer
  2. >>> lancaster_stemmer = LancasterStemmer()
  3. >>> lancaster_stemmer.stem(‘maximum’)
  4. ‘maxim’
  5. >>> lancaster_stemmer.stem(‘presumably’)
  6. ‘presum’
  7. >>> lancaster_stemmer.stem(‘presumably’)
  8. ‘presum’
  9. >>> lancaster_stemmer.stem(‘multiply’)
  10. ‘multiply’
  11. >>> lancaster_stemmer.stem(‘provision’)
  12. u’provid’
  13. >>> lancaster_stemmer.stem(‘owed’)
  14. ‘ow’

Snowball Stemmer基于Snowball 词干提取算法,来看例子

[python] view plain copy

  1. >>> from nltk.stem import SnowballStemmer
  2. >>> snowball_stemmer = SnowballStemmer(“english”)
  3. >>> snowball_stemmer.stem(‘maximum’)
  4. u’maximum’
  5. >>> snowball_stemmer.stem(‘presumably’)
  6. u’presum’
  7. >>> snowball_stemmer.stem(‘multiply’)
  8. u’multipli’
  9. >>> snowball_stemmer.stem(‘provision’)
  10. u’provis’
  11. >>> snowball_stemmer.stem(‘owed’)
  12. u’owe’

2、词形还原(lemmatization)

定义:Lemmatisation (or lemmatization) in linguistics, is the process of grouping together the different inflected forms of a word so they can be analysed as a single item.

可见,Lemmatisation是把一个任何形式的语言词汇还原为一般形式(能表达完整语义)。相对而言,词干提取是简单的轻量级的词形归并方式,最后获得的结果为词干,并不一定具有实际意义。词形还原处理相对复杂,获得结果为词的原形,能够承载一定意义,与词干提取相比,更具有研究和应用价值。

我们会在后面给出一个同MaxMatch算法相结合的更为复杂的例子。

3、最大匹配算法(MaxMatch)

MaxMatch算法在中文自然语言处理中常常用来进行分词(或许从名字上你已经能想到它是基于贪婪策略设计的一种算法)。通常,英语中一句话里的各个词汇之间通过空格来分割,这是非常straightforward的,但是中文却没有这个遍历。例如“我爱中华人民共和国”,这句话被分词的结果可能是这样的{‘我’,‘爱’,‘中华’,‘人民’,‘共和国’},又或者是{‘我’,‘爱’,‘中华人民共和国’},显然我们更倾向于后者的分词结果。因为‘中华人民共和国’显然是一个专有名词(把这样一个词分割来看显然并不明智)。我们选择后者的策略就是所谓的MaxMatch,即最大匹配。因为‘中华人民共和国’这个词显然要比‘中华’,‘人民’,‘共和国’这些词都长。

我们可以通过一个英文的例子来演示MaxMatch算法(其实中文处理的道理也是一样的)。算法从右侧开始逐渐减少字符串长度,以此求得可能匹配的最大长度的字符串。考虑到我们所获得的词汇可能包含有某种词型的变化,所以其中使用了Lemmatisation,然后在词库里进行匹配查找。

[python] view plain copy

  1. from nltk.stem import WordNetLemmatizer
  2. from nltk.corpus import words
  3. wordlist = set(words.words())
  4. wordnet_lemmatizer = WordNetLemmatizer()
  5. def max_match(text):
  6. pos2 = len(text)
  7. result = ''
  8. while len(text) > 0:
  9. word = wordnet_lemmatizer.lemmatize(text[0:pos2])
  10. if word in wordlist:
  11. result = result + text[0:pos2] + ' '
  12. text = text[pos2:]
  13. pos2 = len(text)
  14. else:
  15. pos2 = pos2-1
  16. return result[0:-1]

来看看算法的实现效果

[python] view plain copy

  1. >>> string = 'theyarebirds'
  2. >>> print(max_match(string))
  3. they are birds

当然,上述代码尚有一个不足,就是当字符串中存在非字母字符时(例如数字标点等),它可能会存在一些问题。有兴趣的读者不妨自己尝试完善改进这个版本的实现。

以上便是我们对NLTK这个自然语言处理工具包的初步探索,最后,我想说《Python 自然语言处理》仍然是当前非常值得推荐的一本讲述利用NLTK和Python进行自然语言处理技术的非常值得推荐的书籍。

原文发布于微信公众号 - 大数据挖掘DT数据分析(datadw)

原文发表时间:2016-05-23

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏量化投资与机器学习

通过 MATLAB 处理大数据

谢谢大家支持,可以让更多朋友和有兴趣志同道合的人关注这个公众号。让知识传播的更加富有活力,谢谢各位读者。 很多人问我为什么每次的头像是奥黛丽赫本,我只能说她是我...

2668
来自专栏帮你学MatLab

R2015b 版本

R2015b 版本 MATLAB 产品系列更新: MATLAB: 新增更快运行 MATLAB® 代码的执行引擎;用于创建、分析图形和网络并实现可视化的图形...

2627
来自专栏慎独

Python科学计算和绘图入门

2444
来自专栏刘望舒

Android 人脸识别之人脸注册

2892
来自专栏PPV课数据科学社区

电商评论情感分析

? 随着网上购物的流行,各大电商竞争激烈,为了提高客户服务质量,除了打价格战外,了解客户的需求点,倾听客户的心声也越来越重要,其中重要的方式 就是对消费者的文...

4707
来自专栏iOSDevLog

quickdraw_datasetQuick Draw!数据集

https://console.cloud.google.com/storage/browser/quickdraw_dataset

752
来自专栏刁寿钧的专栏

10分钟梳理关系数据库基础知识(五):查询优化与连接算法

本文是《十分钟入门关系型数据库》系列技术文章的第五篇,主要介绍了数据库的查询优化和连接的算法与代价。

3320
来自专栏玉树芝兰

如何用4行 R 语句,快速探索你的数据集?

实践中,大量数据分析时间,都会花在数据清洗与探索性数据分析(Exploratory Data Analysis, EDA)。即缺失值统计处理,和变量分布可视化。

701
来自专栏阮一峰的网络日志

数据压缩与信息熵

1992年,美国佐治亚州的WEB Technology公司,宣布做出了重大的技术突破。 该公司的DataFiles/16软件,号称可以将任意大于64KB的文件,...

3355
来自专栏程序人生

谈谈状态机

题记:上周做 BBL 里讲了我们 Tubi TV 内部做 DSL 的一些简单实践,大家反馈不错。有同事建议我给大家先补补 FSM,之后再进阶 CFG,可能会更顺...

2817

扫码关注云+社区