前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Python NLTK自然语言处理:词干、词形与MaxMatch算法

Python NLTK自然语言处理:词干、词形与MaxMatch算法

作者头像
机器学习AI算法工程
发布2018-03-13 16:20:09
2.1K0
发布2018-03-13 16:20:09
举报
文章被收录于专栏:机器学习AI算法工程

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然后,Python Launcher会弹出下面这个界面,建议你选择安装所有的Packages,以免去日后一而再、再而三的进行安装,也为你的后续开发提供一个稳定的环境。某些包的Status显示“out of date”,你可以不必理会,它基本不影响你的使用与开发。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

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2016-05-23,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 大数据挖掘DT数据分析 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • Python自然语言处理:词干、词形与MaxMatch算法
相关产品与服务
NLP 服务
NLP 服务(Natural Language Process,NLP)深度整合了腾讯内部的 NLP 技术,提供多项智能文本处理和文本生成能力,包括词法分析、相似词召回、词相似度、句子相似度、文本润色、句子纠错、文本补全、句子生成等。满足各行业的文本智能需求。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档