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然后，Python Launcher会弹出下面这个界面，建议你选择安装所有的Packages，以免去日后一而再、再而三的进行安装，也为你的后续开发提供一个稳定的环境。某些包的Status显示“out of date”，你可以不必理会，它基本不影响你的使用与开发。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
4. wordlist = set(words.words())
5. wordnet_lemmatizer = WordNetLemmatizer()
7. def max_match(text):
8. pos2 = len(text)
9. result = ''
10. while len(text) > 0:
11. word = wordnet_lemmatizer.lemmatize(text[0:pos2])
12. if word in wordlist:
13. result = result + text[0:pos2] + ' '
14. text = text[pos2:]
15. pos2 = len(text)
16. else:
17. pos2 = pos2-1
18. 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。