Natural Language Toolkit 简明教程

Natural Language Toolkit - Quick Guide

Natural Language Toolkit - Introduction

What is Natural Language Processing (NLP)?

人类可以藉此说话、阅读和写作的交流方式,就是语言。换句话说,我们人类可以用我们的自然语言思考、制定计划、做出决定。这里的大问题是在人工智能、机器学习和深度学习的时代,人类是否可以通过自然语言与计算机/机器交流?开发NLP应用程序对我们来说是一个巨大的挑战,因为计算机需要结构化数据,但另一方面,人类语言是无结构且本质上含糊的。

自然语言是计算机科学,更具体地说是人工智能的一个子领域,它使计算机/机器能够理解、处理和处理人类语言。简单来说,NLP是机器分析、理解和从人类自然语言(如印地语、英语、法语、荷兰语等)中获取意义的一种方式。

How does it work?

在深入了解NLP的工作原理之前,我们必须了解人类如何使用语言。每天,我们人类都会使用数百或数千个单词,而其他人会对它们进行解释并相应地回答。这对人类来说是一种简单的交流,不是吗?但我们知道单词的含义远不止于此,我们总是可以从所说的话和说话的方式中得出上下文。这就是为什么我们可以说,与关注语音调制相比,NLP确实利用了上下文模式。

让我们用一个示例来理解它 −

Man is to woman as king is to what?
We can interpret it easily and answer as follows:
Man relates to king, so woman can relate to queen.
Hence the answer is Queen.

人类如何知道哪个词是什么意思?这个问题的答案是我们通过经验学习。但是,机器/计算机如何学习相同的知识?

让我们通过以下简单的步骤来理解它 −

  1. 首先,我们需要用足够的数据来喂机器,以便机器能够从经验中学习。

  2. 然后,机器将使用深度学习算法,从我们之前馈送的数据以及周围的数据中创建词向量。

  3. 然后,通过对这些词向量执行简单的代数运算,机器将能够像人类一样提供答案。

Components of NLP

以下图表表示自然语言处理 (NLP) 的组成部分 −

components

Morphological Processing

形态处理是 NLP 的第一个组成部分。它包括将语言输入块分解为与段落、句子和单词相对应的标记集。例如,像 “everyday” 这样的单词可以分解为两个子单词标记 “every-day”

Syntax analysis

句法分析是 NLP 的第二个组成部分,也是 NLP 最重要的组成部分之一。此组件的目的如下 −

  1. 检查句子是否结构良好。

  2. 将其分解为显示不同单词之间句法关系的结构。

  3. 例如,诸如 “The school goes to the student” 的句子会被句法分析器拒绝。

Semantic analysis

语义分析是 NLP 的第三个组成部分,用于检查文本的含义。它包括从文本中得出确切的含义,或者我们可以说字典含义。例如,“这是一款热冰淇淋。”之类的句子会被语义分析器丢弃。

Pragmatic analysis

语用分析是 NLP 的第四个组成部分。它包括将每个上下文中存在的实际对象或事件与前一个组件(即语义分析)获得的对象引用进行匹配。例如,诸如 “Put the fruits in the basket on the table” 的句子可以有两种语义解释,因此语用分析器将在这两种可能性之间进行选择。

Examples of NLP Applications

NLP 是一种新兴技术,可推导出各种形式的 AI,我们现在习惯于看到这些形式。对于当今和未来的认知应用,在人机之间创建无缝交互界面的 NLP 用途将继续成为重中之重。以下是 NLP 的一些非常有用的应用。

Machine Translation

机器翻译 (MT) 是自然语言处理最重要的应用之一。机器翻译基本上是一个将一种源语言或文本翻译成另一种语言的过程。机器翻译系统可以是双语或多语言的。

Fighting Spam

由于不需要的电子邮件大量增加,垃圾邮件过滤器变得很重要,因为它是对付此问题的第一道防线。通过将其误报和漏报问题视为主要问题,NLP 的功能可用于开发垃圾邮件过滤系统。

N-gram 模型、词干提取和贝叶斯分类是一些现有的 NLP 模型,可用于垃圾邮件过滤。

大多数搜索引擎,如 Google、Yahoo、Bing、WolframAlpha 等等,都将其机器翻译 (MT) 技术建立在 NLP 深度学习模型之上。此类深度学习模型允许算法阅读网页上的文本,解释其含义并将其翻译成另一种语言。

Automatic Text Summarization

自动文本摘要是一种技术,它可以创建较长文本文档的简短、准确的摘要。因此,它可以帮助我们用更少的时间获取相关信息。在这个数字时代,我们迫切需要自动文本摘要,因为互联网上的信息洪流不会停止。NLP 及其功能在开发自动文本摘要时发挥着重要作用。

Grammar Correction

拼写检查和语法检查是 Microsoft Word 之类的文字处理器软件的一项非常有用的功能。自然语言处理 (NLP) 被广泛用于此目的。

Question-answering

问答,自然语言处理 (NLP) 的另一项主要应用,专注于构建自动回答用户用自然语言发布的问题的系统。

Sentiment analysis

情感分析是自然语言处理 (NLP) 的另一项重要应用。正如其名称所示,情感分析用于以下目的:

  1. 识别多条帖子中的情绪

  2. 识别未明确表达情感的情绪

Amazon、ebay 等在线电子商务公司正在使用情感分析识别其客户在网上表达的意见和情绪。它将帮助他们了解客户对其产品和服务的想法。

Speech engines

Siri、Google Voice、Alexa 等语音引擎构建在 NLP 上,以便我们用自然语言与之交流。

Implementing NLP

为了构建上述应用程序,我们需要具备特定技能组,并且非常理解语言及其高效处理语言的工具。为了实现此目的,我们有各种可用的开源工具。其中一些是开源的,而另一些则是由组织开发用来构建他们自己的 NLP 应用程序的。以下是一些 NLP 工具的列表:

  1. 自然语言工具包 (NLTK)

  2. Mallet

  3. GATE

  4. Open NLP

  5. UIMA

  6. Genism

  7. Stanford toolkit

这些工具大部分都是用 Java 编写的。

Natural Language Tool Kit (NLTK)

在上述 NLP 工具中,NLTK 在易用性和概念解释方面得分非常高。Python 的学习曲线非常快,NLTK 是用 Python 编写的,因此 NLTK 也有非常好的学习工具包。NLTK 已经融入了大多数任务,如标记化、词干、词根化、标点符号、字符计数和单词计数。它非常优雅,易于使用。

Natural Language Toolkit - Getting Started

为了安装 NLTK,我们必须在电脑上安装 Python。您可以访问链接 www.python.org/downloads 并为您的操作系统(即 Windows、Mac 和 Linux/Unix)选择最新版本。有关 Python 的基本教程,您可以参考链接 www.tutorialspoint.com/python3/index.htm

install natural language toolkit

现在,在您的计算机系统上安装 Python 之后,让我们了解如何安装 NLTK。

Installing NLTK

我们可以在不同的操作系统上安装 NLTK,如下所示:

On Windows

为了在 Windows 操作系统上安装 NLTK,请按照以下步骤操作:

  1. 首先,打开 Windows 命令提示符并导航到 pip 文件夹的位置。

  2. 接下来,输入以下命令来安装 NLTK:

pip3 install nltk

现在,从 Windows 开始菜单中打开 PythonShell,并输入以下命令来验证 NLTK 的安装:

Import nltk

如果未出现错误,则表示您已在具有 Python3 的 Windows 操作系统上成功安装了 NLTK。

On Mac/Linux

为了在 Mac/Linux 操作系统上安装 NLTK,请编写以下命令:

sudo pip install -U nltk

如果你电脑上没有安装 pip,请按照下面的说明安装 pip

首先,通过如下命令更新包索引 −

sudo apt update

现在,键入如下命令安装 Python 3 的 pip

sudo apt install python3-pip

Through Anaconda

要通过 Anaconda 安装 NLTK,请按照如下步骤操作 −

首先,安装 Anaconda,访问链接 https://www.anaconda.com/download 然后选择你需要安装的 Python 版本。

anaconda

你的电脑系统安装了 Anaconda 之后,转到其命令提示符然后输入如下命令 −

conda install -c anaconda nltk
anaconda command

你需要检查输出并输入“是”。NLTK 将下载并安装到你的 Anaconda 包中。

Downloading NLTK’s Dataset and Packages

现在我们已经安装了 NLTK,但是为了使用它,我们需要下载其数据组(语料库)。一些重要的数据组包括 stpwords, guntenberg, framenet_v15 等。

通过如下命令,我们可以下载所有 NLTK 数据组 −

import nltk
nltk.download()
natural language toolkit datasets

你会看到如下 NLTK 下载窗口。

natural language toolkit download

现在,点击下载按钮下载数据组。

How to run NLTK script?

下面是使用 PorterStemmer nltk 类实现 Porter Stemmer 算法的示例。利用此示例,你可以了解如何运行 NLTK 脚本。

首先,我们需要导入自然语言工具包 (nltk)。

import nltk

现在,导入 PorterStemmer 类来实现波特词干化器算法。

from nltk.stem import PorterStemmer

然后,按以下步骤创建波特词干化器类的实例 −

word_stemmer = PorterStemmer()

现在,输入你想提取词干的单词。−

word_stemmer.stem('writing')

Output

'write'
word_stemmer.stem('eating')

Output

'eat'

Natural Language Toolkit - Tokenizing Text

What is Tokenizing?

它可以被定义为将一段文本分解为更小的部分(例如句子和单词)的过程。这些较小的部分称为标记。例如,单词是句子中的标记,句子是段落中的标记。

众所周知,NLP 用于构建诸如情感分析、问答系统、语言翻译、智能聊天机器人、声音系统等应用程序,因此,为了构建它们,了解文本中的模式变得至关重要。上面提到的标记在查找和理解这些模式方面非常有用。我们可以将标记化视为其他流程(如词干提取和词形还原)的基本步骤。

NLTK package

nltk.tokenize 是 NLTK 模块提供的用于实现标记化过程的包。

Tokenizing sentences into words

将句子拆分词语或从字符串中创建词语列表是每个文本处理活动中必不可少的部分。让我们通过 nltk.tokenize 包提供的各种函数/模块来理解它。

word_tokenize module

word_tokenize 模块用于基本单词标记。以下示例将使用此模块将句子拆分为词语。

Example

import nltk
from nltk.tokenize import word_tokenize
word_tokenize('Tutorialspoint.com provides high quality technical tutorials for free.')

Output

['Tutorialspoint.com', 'provides', 'high', 'quality', 'technical', 'tutorials', 'for', 'free', '.']

TreebankWordTokenizer Class

上面使用的 word_tokenize 模块基本上是一个封装函数,它将 tokenize() 函数作为 TreebankWordTokenizer 类的实例进行调用。它将给出与我们使用 word_tokenize() 模块将句子拆分为词语时获得的相同输出。让我们看看上面实现的相同示例 −

Example

首先,我们需要导入自然语言工具包 (nltk)。

import nltk

现在,导入 TreebankWordTokenizer 类以实现单词标记算法。

from nltk.tokenize import TreebankWordTokenizer

接下来,按照以下方式创建 TreebankWordTokenizer 类的实例 −

Tokenizer_wrd = TreebankWordTokenizer()

现在,输入你想转换为令牌的句子 −

Tokenizer_wrd.tokenize(
   'Tutorialspoint.com provides high quality technical tutorials for free.'
)

Output

[
   'Tutorialspoint.com', 'provides', 'high', 'quality',
   'technical', 'tutorials', 'for', 'free', '.'
]

Complete implementation example

让我们在下面看到完整的实现示例

import nltk
from nltk.tokenize import TreebankWordTokenizer
tokenizer_wrd = TreebankWordTokenizer()
tokenizer_wrd.tokenize('Tutorialspoint.com provides high quality technical
tutorials for free.')

Output

[
   'Tutorialspoint.com', 'provides', 'high', 'quality',
   'technical', 'tutorials','for', 'free', '.'
]

分词器最重要的约定是区分缩写。例如,如果我们为此目的使用 word_tokenize() 模块,它将以如下方式输出 −

Example

import nltk
from nltk.tokenize import word_tokenize
word_tokenize('won’t')

Output

['wo', "n't"]]

TreebankWordTokenizer 的这种约定是不可接受的。这就是为什么我们有两个可选分词器,即 PunktWordTokenizerWordPunctTokenizer

WordPunktTokenizer Class

一个可选的分词器,它将所有标点符号分成单独的令牌。让我们用以下简单的示例来理解它 −

Example

from nltk.tokenize import WordPunctTokenizer
tokenizer = WordPunctTokenizer()
tokenizer.tokenize(" I can't allow you to go home early")

Output

['I', 'can', "'", 't', 'allow', 'you', 'to', 'go', 'home', 'early']

Tokenizing text into sentences

在本节中,我们将把文本/段落分成句子。NLTK为此目的提供 sent_tokenize 模块。

Why is it needed?

一个出现在我们脑海中的明显问题是,当我们有分词器时,为什么我们需要句子分词器,或者为什么我们需要将文本分词成句子。假设我们需要计算句子中的平均单词,我们如何做到?为了完成这项任务,我们需要句子分词和单词分词。

让我们借助以下简单的示例了解句子和单词分词之间的差异 −

Example

import nltk
from nltk.tokenize import sent_tokenize
text = "Let us understand the difference between sentence & word tokenizer.
It is going to be a simple example."
sent_tokenize(text)

Output

[
   "Let us understand the difference between sentence & word tokenizer.",
   'It is going to be a simple example.'
]

Sentence tokenization using regular expressions

如果您觉得分词器的输出不可接受,并且想要完全控制如何分词文本,我们有正则表达式,可在进行句子分词时使用。NLTK提供 RegexpTokenizer 类来实现此目的。

让我们借助以下两个示例来理解这个概念。

在第一个示例中,我们将使用正则表达式来匹配字母数字令牌和单引号,以避免拆分 “won’t” 之类的缩写。

Example 1

import nltk
from nltk.tokenize import RegexpTokenizer
tokenizer = RegexpTokenizer("[\w']+")
tokenizer.tokenize("won't is a contraction.")
tokenizer.tokenize("can't is a contraction.")

Output

["won't", 'is', 'a', 'contraction']
["can't", 'is', 'a', 'contraction']

在第一个示例中,我们将使用正则表达式在空格上分词。

Example 2

import nltk
from nltk.tokenize import RegexpTokenizer
tokenizer = RegexpTokenizer('/s+' , gaps = True)
tokenizer.tokenize("won't is a contraction.")

Output

["won't", 'is', 'a', 'contraction']

从以上输出中,我们可以看到标点符号保留在令牌中。参数gaps=True表示该模式将识别要分词的间隙。另一方面,如果我们将使用gaps=False参数,则该模式将用于识别标记,这可以在以下示例中看到 −

import nltk
from nltk.tokenize import RegexpTokenizer
tokenizer = RegexpTokenizer('/s+' , gaps = False)
tokenizer.tokenize("won't is a contraction.")

Output

[ ]

它将为我们提供空白输出。

Training Tokenizer & Filtering Stopwords

Why to train own sentence tokenizer?

这是一个非常重要的问题:如果我们有 NLTK 的默认句子分词器,我们为什么还要训练句子分词器呢?此问题答案取决于 NLTK 的默认句子分词器的质量。NLTK 的默认分词器基本上是一种通用分词器。虽然它运行良好,但对于非标准文本(我们的文本可能是这种情况),或者对于具有唯一格式的文本,它可能不是好的选择。要对这种文本分词并获得最佳结果,我们应训练我们自己的句子分词器。

Implementation Example

在这个示例中,我们将使用 webtext 语料库。我们将从该语料库中使用的一个文本文件,其文本格式如下图所示 −

Guy: How old are you?
Hipster girl: You know, I never answer that question. Because to me, it's about
how mature you are, you know? I mean, a fourteen year old could be more mature
than a twenty-five year old, right? I'm sorry, I just never answer that question.
Guy: But, uh, you're older than eighteen, right?
Hipster girl: Oh, yeah.

我们使用训练_分词器名称保存此文本文件。NLTK 提供一个名为 PunktSentenceTokenizer 的类,其可帮助我们训练原始文本以生成自定义句子分词器。我们可以使用 raw() 方法通过读取文件或从 NLTK 语料库中获取原始文本。

我们来看看下面的示例以了解更多信息 −

首先,从 nltk.tokenize 包中导入 PunktSentenceTokenizer 类 −

from nltk.tokenize import PunktSentenceTokenizer

现在,从 nltk.corpus 包中导入 webtext 语料库

from nltk.corpus import webtext

接下来,使用 raw() 方法,如下所示获取 training_tokenizer.txt 文件中的原始文本 −

text = webtext.raw('C://Users/Leekha/training_tokenizer.txt')

现在,创建一个 PunktSentenceTokenizer 实例,并如下所示打印文本文件中的标记化句子 −

sent_tokenizer = PunktSentenceTokenizer(text)
sents_1 = sent_tokenizer.tokenize(text)
print(sents_1[0])

Output

White guy: So, do you have any plans for this evening?
print(sents_1[1])
Output:
Asian girl: Yeah, being angry!
print(sents_1[670])
Output:
Guy: A hundred bucks?
print(sents_1[675])
Output:
Girl: But you already have a Big Mac...

Complete implementation example

from nltk.tokenize import PunktSentenceTokenizer
from nltk.corpus import webtext
text = webtext.raw('C://Users/Leekha/training_tokenizer.txt')
sent_tokenizer = PunktSentenceTokenizer(text)
sents_1 = sent_tokenizer.tokenize(text)
print(sents_1[0])

Output

White guy: So, do you have any plans for this evening?

为了了解NLTK的默认句子标记器和我们自己训练的句子标记器之间的区别,让我们用默认句子标记器(即sent_tokenize())对同一个文件进行标记化。

from nltk.tokenize import sent_tokenize
   from nltk.corpus import webtext
   text = webtext.raw('C://Users/Leekha/training_tokenizer.txt')
sents_2 = sent_tokenize(text)

print(sents_2[0])
Output:

White guy: So, do you have any plans for this evening?
print(sents_2[675])
Output:
Hobo: Y'know what I'd do if I was rich?

借助输出结果的不同,我们可以理解为什么自己训练一个句子标记器是有用的。

What are stopwords?

一些文本中存在的常见单词对句子的含义没有贡献。此类单词在信息检索或自然语言处理的目的上一点也不重要。最常见的停用词是“the”和“a”。

NLTK stopwords corpus

实际上,自然语言工具包带有包含多种语言单词列表的停用词语料库。让我们通过以下示例了解其用法 −

首先,从nltk.corpus包导入停用词语料库 −

from nltk.corpus import stopwords

现在,我们将使用英语语言的停用词

english_stops = set(stopwords.words('english'))
words = ['I', 'am', 'a', 'writer']
[word for word in words if word not in english_stops]

Output

['I', 'writer']

Complete implementation example

from nltk.corpus import stopwords
english_stops = set(stopwords.words('english'))
words = ['I', 'am', 'a', 'writer']
[word for word in words if word not in english_stops]

Output

['I', 'writer']

Finding complete list of supported languages

借助以下Python脚本,我们还可以查找NLTK停用词语料库支持的完整语言列表 −

from nltk.corpus import stopwords
stopwords.fileids()

Output

[
   'arabic', 'azerbaijani', 'danish', 'dutch', 'english', 'finnish', 'french',
   'german', 'greek', 'hungarian', 'indonesian', 'italian', 'kazakh', 'nepali',
   'norwegian', 'portuguese', 'romanian', 'russian', 'slovene', 'spanish',
   'swedish', 'tajik', 'turkish'
]

Looking up words in Wordnet

What is Wordnet?

Wordnet 是由普林斯顿大学创建的一个大型英语词汇数据库。它是 NLTK 语料库的一部分。名词、动词、形容词和副词都被归入到同义词集集合中,即认知同义词。这里每个同义词集都表示一个不同的含义。以下是 Wordnet 的一些使用案例−

  1. 它可用于查找单词的定义

  2. 我们可以找到一个单词的同义词和反义词

  3. 可以使用 Wordnet 探索单词关系和相似性

  4. 具有多种用法和定义的单词的词义消歧

How to import Wordnet?

Wordnet 可以借助以下命令导入 −

from nltk.corpus import wordnet

对于更紧凑的命令,请使用以下命令 −

from nltk.corpus import wordnet as wn

Synset instances

同义词集是对表示相同概念的同义词的词组。当你使用 Wordnet 查找单词时,你会得到一个同义词集实例列表。

wordnet.synsets(word)

要获取同义词集列表,我们可以使用 wordnet.synsets(word) 在 Wordnet 中查找任何单词。例如,在下一个 Python 食谱中,我们将查找“dog”的同义词集以及同义词集的一些属性和方法−

Example

首先,如下导入 Wordnet −

from nltk.corpus import wordnet as wn

现在,提供你要为其查找同义词集的单词 −

syn = wn.synsets('dog')[0]

在这里,我们使用 name() 方法为同义词集获取唯一名称,该名称可用于直接获取同义词集 −

syn.name()
Output:
'dog.n.01'

接下来,我们使用 definition() 方法,该方法将为我们提供单词的定义 −

syn.definition()
Output:
'a member of the genus Canis (probably descended from the common wolf) that has
been domesticated by man since prehistoric times; occurs in many breeds'

另一个方法是 examples() ,它将为我们提供与单词相关的示例 −

syn.examples()
Output:
['the dog barked all night']

Complete implementation example

from nltk.corpus import wordnet as wn
syn = wn.synsets('dog')[0]
syn.name()
syn.definition()
syn.examples()

Getting Hypernyms

同义词集以继承树状结构组织,其中 Hypernyms 表示更抽象的术语,而 Hyponyms 表示更具体的术语。一件重要的事情是,该树可以一直追溯到根词义上位词。让我们借助以下示例了解这个概念 −

from nltk.corpus import wordnet as wn
syn = wn.synsets('dog')[0]
syn.hypernyms()

Output

[Synset('canine.n.02'), Synset('domestic_animal.n.01')]

在这里,我们可以看到犬科动物和家畜是“狗”的上位词。

现在,我们可以通过以下步骤查找“狗”的低义词 −

syn.hypernyms()[0].hyponyms()

Output

[
   Synset('bitch.n.04'),
   Synset('dog.n.01'),
   Synset('fox.n.01'),
   Synset('hyena.n.01'),
   Synset('jackal.n.01'),
   Synset('wild_dog.n.01'),
   Synset('wolf.n.01')
]

从上面的输出中,我们可以看出“狗”只是“domestic_animals”的众多低义词之一。

为找到所有这些词的根,我们可以使用以下命令 −

syn.root_hypernyms()

Output

[Synset('entity.n.01')]

从上面的输出中,我们可以看到它只有一个根。

Complete implementation example

from nltk.corpus import wordnet as wn
syn = wn.synsets('dog')[0]
syn.hypernyms()
syn.hypernyms()[0].hyponyms()
syn.root_hypernyms()

Output

[Synset('entity.n.01')]

Lemmas in Wordnet

在语言学中,单词的规范形式或形态形式称为词干。为查找某个单词的同义词和反义词,我们还可在 WordNet 中查找词干。让我们看看如何查找。

Finding Synonyms

通过使用 lemma() 方法,我们可以查找同义词集的同义词数。让我们在“dog”同义词集上应用此方法 −

Example

from nltk.corpus import wordnet as wn
syn = wn.synsets('dog')[0]
lemmas = syn.lemmas()
len(lemmas)

Output

3

上面的输出显示“dog”有三个词干。

通过以下方法获得第一个词干名称 −

lemmas[0].name()
Output:
'dog'

通过以下方法获得第二个词干名称 −

lemmas[1].name()
Output:
'domestic_dog'

通过以下方法获得第三个词干名称 −

lemmas[2].name()
Output:
'Canis_familiaris'

事实上,同义词集表示一组具有相似含义的所有词干,而词干表示不同的单词形式。

Finding Antonyms

在 WordNet 中,某些词干也有反义词。例如,单词“good”共有 27 个同义词集,其中 5 个同义词集包含有反义词的词干。我们来查找反义词(当单词“good”作为名词使用时和当单词“good”作为形容词使用时)。

Example 1

from nltk.corpus import wordnet as wn
   syn1 = wn.synset('good.n.02')
   antonym1 = syn1.lemmas()[0].antonyms()[0]
antonym1.name()

Output

'evil'
antonym1.synset().definition()

Output

'the quality of being morally wrong in principle or practice'

上面的示例表明,当单词“good”作为名词使用时,第一个反义词是“evil”。

Example 2

from nltk.corpus import wordnet as wn
   syn2 = wn.synset('good.a.01')
   antonym2 = syn2.lemmas()[0].antonyms()[0]
antonym2.name()

Output

'bad'
antonym2.synset().definition()

Output

'having undesirable or negative qualities’

上面的示例表明,当单词“good”作为形容词使用时,第一个反义词是“bad”。

Stemming & Lemmatization

What is Stemming?

词干化是一种用于通过去除词缀来提取词根的技术。这就像把树枝砍到树干一样。例如,单词 eating, eats, eaten 的词干是 eat

搜索引擎使用词干化来对单词进行索引。这就是为什么搜索引擎不必存储某个单词的所有形式,而只需存储词干的原因。这样一来,词干化就减小了索引的大小并提高了检索精度。

Various Stemming algorithms

在 NLTK 中, stemmerI ,它有 stem() 方法,接口中提供了我们接下来会涉及的所有词干化器。让我们借助以下图表理解一下它

stemming algorithms

Porter stemming algorithm

它是使用最广泛的词干化算法之一,它基本上是设计来去除和替换英语单词的众所周知的词缀的。

PorterStemmer class

NLTK 提供 PorterStemmer 类,借助它,我们可以轻松地为我们想要进行词干化的单词实现波特词干化器算法。此类知道若干规则词形和词缀,借助这些词形和词缀,它可以将输入词转换为最终词干。所得词干通常是具有相同词根意义的较短单词。让我们看一个示例 −

首先,我们需要导入自然语言工具包 (nltk)。

import nltk

现在,导入 PorterStemmer 类来实现波特词干化器算法。

from nltk.stem import PorterStemmer

然后,按以下步骤创建波特词干化器类的实例 −

word_stemmer = PorterStemmer()

现在,输入你想要进行词干化的单词。

word_stemmer.stem('writing')

Output

'write'
word_stemmer.stem('eating')

Output

'eat'

Complete implementation example

import nltk
from nltk.stem import PorterStemmer
word_stemmer = PorterStemmer()
word_stemmer.stem('writing')

Output

'write'

Lancaster stemming algorithm

它是在兰卡斯特大学开发的,是另一种非常常用的词干化算法。

LancasterStemmer class

NLTK 提供 LancasterStemmer 类,借助它,我们可以轻松地为我们想要进行词干化的单词实现兰开斯特词干化器算法。让我们看一个示例 −

首先,我们需要导入自然语言工具包 (nltk)。

import nltk

现在,导入 LancasterStemmer 类来实现兰开斯特词干化器算法

from nltk.stem import LancasterStemmer

然后,按以下步骤创建 LancasterStemmer 类的实例 −

Lanc_stemmer = LancasterStemmer()

现在,输入你想要进行词干化的单词。

Lanc_stemmer.stem('eats')

Output

'eat'

Complete implementation example

import nltk
from nltk.stem import LancatserStemmer
Lanc_stemmer = LancasterStemmer()
Lanc_stemmer.stem('eats')

Output

'eat'

Regular Expression stemming algorithm

借助这种词干化算法,我们可以构建我们自己的词干化器。

RegexpStemmer class

NLTK 提供 RegexpStemmer 类,借助它,我们可以轻松地实现正则表达式词干化器算法。它基本使用单个正则表达式,并删除与该表达式匹配的任何前缀或后缀。让我们看一个示例 −

首先,我们需要导入自然语言工具包 (nltk)。

import nltk

现在,导入 RegexpStemmer 类来实现正则表达式词干化器算法。

from nltk.stem import RegexpStemmer

然后,创建一个 RegexpStemmer 类的实例,并按以下方式提供要从单词中删除的后缀或前缀 −

Reg_stemmer = RegexpStemmer(‘ing’)

现在,输入你想要进行词干化的单词。

Reg_stemmer.stem('eating')

Output

'eat'
Reg_stemmer.stem('ingeat')

Output

'eat'
Reg_stemmer.stem('eats')

Output

'eat'

Complete implementation example

import nltk
from nltk.stem import RegexpStemmer
Reg_stemmer = RegexpStemmer()
Reg_stemmer.stem('ingeat')

Output

'eat'

Snowball stemming algorithm

这是另一种非常有用的词干化算法。

SnowballStemmer class

NLTK 提供 SnowballStemmer 类,借助它,我们可以轻松地实现 Snowball 词干化器算法。它支持 15 种非英语语言。为了使用这个词干化类,我们需要创建一个使用我们使用的语言名称的实例,然后调用 stem() 方法。让我们看一个示例 −

首先,我们需要导入自然语言工具包 (nltk)。

import nltk

现在,导入 SnowballStemmer 类以实现 Snowball Stemmer 算法

from nltk.stem import SnowballStemmer

让我们看看它支持哪些语言 −

SnowballStemmer.languages

Output

(
   'arabic',
   'danish',
   'dutch',
   'english',
   'finnish',
   'french',
   'german',
   'hungarian',
   'italian',
   'norwegian',
   'porter',
   'portuguese',
   'romanian',
   'russian',
   'spanish',
   'swedish'
)

接下来,使用您想要使用的语言创建 SnowballStemmer 类的实例。在这里,我们正在为“法语”语言创建一个词干提取器。

French_stemmer = SnowballStemmer(‘french’)

现在,调用 stem() 方法并输入您想要进行词干提取的单词。

French_stemmer.stem (‘Bonjoura’)

Output

'bonjour'

Complete implementation example

import nltk
from nltk.stem import SnowballStemmer
French_stemmer = SnowballStemmer(‘french’)
French_stemmer.stem (‘Bonjoura’)

Output

'bonjour'

What is Lemmatization?

词形还原技术就像词干提取一样。词形还原后我们得到的输出被称为“词干”,它是一个词根,而不是词干提取的输出,即词干。在词形还原之后,我们将会得到一个具有相同含义的有效单词。

NLTK 提供了 WordNetLemmatizer 类,它是 wordnet 语料库的简单封装。此类使用 morphy() 函数向 WordNet CorpusReader 类提供词干,以查找词条。让我们通过一个示例来理解它 −

Example

首先,我们需要导入自然语言工具包 (nltk)。

import nltk

现在,导入 WordNetLemmatizer 类来实现词形还原技术。

from nltk.stem import WordNetLemmatizer

接下来,创建 WordNetLemmatizer 类的实例。

lemmatizer = WordNetLemmatizer()

现在,调用 lemmatize() 方法并输入您想要查找词条的单词。

lemmatizer.lemmatize('eating')

Output

'eating'
lemmatizer.lemmatize('books')

Output

'book'

Complete implementation example

import nltk
from nltk.stem import WordNetLemmatizer
lemmatizer = WordNetLemmatizer()
lemmatizer.lemmatize('books')

Output

'book'

Difference between Stemming & Lemmatization

让我们通过以下示例来理解词干提取和词形还原的区别 −

import nltk
from nltk.stem import PorterStemmer
word_stemmer = PorterStemmer()
word_stemmer.stem('believes')

Output

believ
import nltk
from nltk.stem import WordNetLemmatizer
lemmatizer = WordNetLemmatizer()
lemmatizer.lemmatize(' believes ')

Output

believ

两个程序的输出说明了词干提取和词形还原之间的主要区别。 PorterStemmer 类从单词中截去“es”。另一方面, WordNetLemmatizer 类查找有效单词。简而言之,词干提取技术仅着眼于单词的形式,而词形还原技术着眼于单词的含义。这意味着在应用词形还原之后,我们总是会得到一个有效单词。

Natural Language Toolkit - Word Replacement

词干提取和词形还原可以被视为一种语言压缩。从这个意义上说,单词替换可以被认为是文本归一化或错误纠正。

但是为什么我们需要单词替换?假设如果我们谈论标记化,那么它就会出现缩写问题(例如 can’t、won’t 等)。因此,为了处理此类问题,我们需要单词替换。例如,我们可以用缩写的扩展形式替换缩写。

Word replacement using regular expression

首先,我们将替换与正则表达式匹配的单词。但为此,我们必须对正则表达式以及 python re 模块有基本的了解。在下面的示例中,我们将用缩写的扩展形式(例如,“can’t”将被替换为“cannot”)替换缩写,所有这些都使用正则表达式。

Example

首先,导入必需的包 re 来处理正则表达式。

import re
from nltk.corpus import wordnet

接下来,按如下所示定义您选择的替换模式 −

R_patterns = [
   (r'won\'t', 'will not'),
   (r'can\'t', 'cannot'),
   (r'i\'m', 'i am'),
   r'(\w+)\'ll', '\g<1> will'),
   (r'(\w+)n\'t', '\g<1> not'),
   (r'(\w+)\'ve', '\g<1> have'),
   (r'(\w+)\'s', '\g<1> is'),
   (r'(\w+)\'re', '\g<1> are'),
]

现在,创建一个可用于替换单词的类 −

class REReplacer(object):
   def __init__(self, pattern = R_patterns):
      self.pattern = [(re.compile(regex), repl) for (regex, repl) in patterns]
   def replace(self, text):
      s = text
      for (pattern, repl) in self.pattern:
         s = re.sub(pattern, repl, s)
      return s

保存此 python 程序(比如 repRE.py)并从 python 命令提示符运行它。运行它后,在您想要替换单词时导入 REReplacer 类。让我们看看怎么做。

from repRE import REReplacer
rep_word = REReplacer()
rep_word.replace("I won't do it")
Output:
'I will not do it'
rep_word.replace("I can’t do it")
Output:
'I cannot do it'

Complete implementation example

import re
from nltk.corpus import wordnet
R_patterns = [
   (r'won\'t', 'will not'),
   (r'can\'t', 'cannot'),
   (r'i\'m', 'i am'),
   r'(\w+)\'ll', '\g<1> will'),
   (r'(\w+)n\'t', '\g<1> not'),
   (r'(\w+)\'ve', '\g<1> have'),
   (r'(\w+)\'s', '\g<1> is'),
   (r'(\w+)\'re', '\g<1> are'),
]
class REReplacer(object):
def __init__(self, patterns=R_patterns):
   self.patterns = [(re.compile(regex), repl) for (regex, repl) in patterns]
def replace(self, text):
   s = text
   for (pattern, repl) in self.patterns:
      s = re.sub(pattern, repl, s)
   return s

现在,一旦您保存了上述程序并运行它,您就可以导入该类并按如下方式使用它 −

from replacerRE import REReplacer
rep_word = REReplacer()
rep_word.replace("I won't do it")

Output

'I will not do it'

Replacement before text processing

使用自然语言处理 (NLP) 时的一种常见做法是在文本处理之前清理文本。对此,我们也可以在文本处理之前的步骤中使用上面在前一个示例中创建的 REReplacer 类,即标记化。

Example

from nltk.tokenize import word_tokenize
from replacerRE import REReplacer
rep_word = REReplacer()
word_tokenize("I won't be able to do this now")
Output:
['I', 'wo', "n't", 'be', 'able', 'to', 'do', 'this', 'now']
word_tokenize(rep_word.replace("I won't be able to do this now"))
Output:
['I', 'will', 'not', 'be', 'able', 'to', 'do', 'this', 'now']

在上面的 Python 食谱中,我们可以轻松理解带有正则表达式替换的词标记器输出和不带有正则表达式替换的词标记器输出之间的区别。

Removal of repeating characters

我们的日常语言严格符合语法吗?不,并不会。例如,有时我们要写“Hiiiiiiiiiiii Mohan”来强调“Hi”这个词。但是计算机系统不知道“Hiiiiiiiiiiii”是“Hi”这个单词的一种变体。在下面的示例中,我们将创建一个名为 rep_word_removal 的类,可用于移除重复的单词。

Example

首先,导入必要的包 re 来使用正则表达式

import re
from nltk.corpus import wordnet

现在,创建一个类,可用于移除重复的单词 −

class Rep_word_removal(object):
   def __init__(self):
      self.repeat_regexp = re.compile(r'(\w*)(\w)\2(\w*)')
      self.repl = r'\1\2\3'
   def replace(self, word):
      if wordnet.synsets(word):
      return word
   repl_word = self.repeat_regexp.sub(self.repl, word)
   if repl_word != word:
      return self.replace(repl_word)
   else:
      return repl_word

保存此 python 程序(例如 removalrepeat.py)并从 python 命令提示符运行它。运行之后,在你想要移除重复的单词的时候导入 Rep_word_removal 类。我们看看怎么操作?

from removalrepeat import Rep_word_removal
rep_word = Rep_word_removal()
rep_word.replace ("Hiiiiiiiiiiiiiiiiiiiii")
Output:
'Hi'
rep_word.replace("Hellooooooooooooooo")
Output:
'Hello'

Complete implementation example

import re
from nltk.corpus import wordnet
class Rep_word_removal(object):
   def __init__(self):
      self.repeat_regexp = re.compile(r'(\w*)(\w)\2(\w*)')
      self.repl = r'\1\2\3'
   def replace(self, word):
      if wordnet.synsets(word):
         return word
   replace_word = self.repeat_regexp.sub(self.repl, word)
   if replace_word != word:
      return self.replace(replace_word)
   else:
      return replace_word

现在,一旦您保存了上述程序并运行它,您就可以导入该类并按如下方式使用它 −

from removalrepeat import Rep_word_removal
rep_word = Rep_word_removal()
rep_word.replace ("Hiiiiiiiiiiiiiiiiiiiii")

Output

'Hi'

Synonym & Antonym Replacement

Replacing words with common synonyms

在使用NLP时,尤其是在频率分析和文本索引的情况下,在不丢失含义的情况下压缩词汇始终是有益的,因为它可以节省大量内存。为了实现此目标,我们必须定义单词与其同义词之间的映射。在以下示例中,我们将创建一个名为 word_syn_replacer 的类,该类可用于将单词替换为其常用同义词。

Example

首先,导入必要的包 re 以使用正则表达式。

import re
from nltk.corpus import wordnet

接下来,创建一个接受单词替换映射的类 −

class word_syn_replacer(object):
   def __init__(self, word_map):
   self.word_map = word_map
def replace(self, word):
   return self.word_map.get(word, word)

保存该Python程序(例如replacesyn.py),并从Python命令提示符处运行它。在运行它之后,导入 word_syn_replacer 类,以便用常用同义词替换单词。让我们看看如何操作。

from replacesyn import word_syn_replacer
rep_syn = word_syn_replacer ({‘bday’: ‘birthday’)
rep_syn.replace(‘bday’)

Output

'birthday'

Complete implementation example

import re
from nltk.corpus import wordnet
class word_syn_replacer(object):
   def __init__(self, word_map):
   self.word_map = word_map
def replace(self, word):
   return self.word_map.get(word, word)

现在,一旦您保存了上述程序并运行它,您就可以导入该类并按如下方式使用它 −

from replacesyn import word_syn_replacer
rep_syn = word_syn_replacer ({‘bday’: ‘birthday’)
rep_syn.replace(‘bday’)

Output

'birthday'

上述方法的缺点是我们必须在Python词典中硬编码同义词。我们有两个更好的选择,即CSV和YAML文件。我们可以将同义词表保存在上述任何文件中,并可以从中构建 word_map 词典。让我们借助示例了解该概念。

Using CSV file

为了将CSV文件用于此目的,该文件应有两列,第一列包含单词,第二列包含用于替换单词的同义词。让我们将此文件保存为 syn.csv. 在下面的示例中,我们将创建一个名为 CSVword_syn_replacer 的类,该类将扩展 replacesyn.py 文件中 word_syn_replacer 中的内容,并将用于从 syn.csv 文件中构建 word_map 词典。

Example

首先,导入必需的包。

import csv

接下来,创建一个接受单词替换映射的类 −

class CSVword_syn_replacer(word_syn_replacer):
   def __init__(self, fname):
      word_map = {}
      for line in csv.reader(open(fname)):
         word, syn = line
         word_map[word] = syn
      super(Csvword_syn_replacer, self).__init__(word_map)

在运行它之后,导入 CSVword_syn_replacer 类,以便用常用同义词替换单词。让我们看看如何操作?

from replacesyn import CSVword_syn_replacer
rep_syn = CSVword_syn_replacer (‘syn.csv’)
rep_syn.replace(‘bday’)

Output

'birthday'

Complete implementation example

import csv
class CSVword_syn_replacer(word_syn_replacer):
def __init__(self, fname):
word_map = {}
for line in csv.reader(open(fname)):
   word, syn = line
   word_map[word] = syn
super(Csvword_syn_replacer, self).__init__(word_map)

现在,一旦您保存了上述程序并运行它,您就可以导入该类并按如下方式使用它 −

from replacesyn import CSVword_syn_replacer
rep_syn = CSVword_syn_replacer (‘syn.csv’)
rep_syn.replace(‘bday’)

Output

'birthday'

Using YAML file

由于我们使用了CSV文件,因此还可以将YAML文件用于此目的(我们必须安装了PyYAML)。让我们将此文件保存为 syn.yaml. 在下面的示例中,我们将创建一个名为 YAMLword_syn_replacer 的类,该类将扩展 replacesyn.py 文件中 word_syn_replacer 中的内容,并将用于从 syn.yaml 文件中构建 word_map 词典。

Example

首先,导入必需的包。

import yaml

接下来,创建一个接受单词替换映射的类 −

class YAMLword_syn_replacer(word_syn_replacer):
   def __init__(self, fname):
   word_map = yaml.load(open(fname))
   super(YamlWordReplacer, self).__init__(word_map)

在运行它之后,导入 YAMLword_syn_replacer 类,以便用常用同义词替换单词。让我们看看如何操作?

from replacesyn import YAMLword_syn_replacer
rep_syn = YAMLword_syn_replacer (‘syn.yaml’)
rep_syn.replace(‘bday’)

Output

'birthday'

Complete implementation example

import yaml
class YAMLword_syn_replacer(word_syn_replacer):
def __init__(self, fname):
   word_map = yaml.load(open(fname))
   super(YamlWordReplacer, self).__init__(word_map)

现在,一旦您保存了上述程序并运行它,您就可以导入该类并按如下方式使用它 −

from replacesyn import YAMLword_syn_replacer
rep_syn = YAMLword_syn_replacer (‘syn.yaml’)
rep_syn.replace(‘bday’)

Output

'birthday'

Antonym replacement

众所周知,反义词是一个与另一个单词含义相反的单词,而反义词替换的反义词是同义词替换。在本节中,我们将处理反义词替换,即使用 WordNet 用明确的反义词替换单词。在下面的示例中,我们将创建一个名为 word_antonym_replacer 的类,它有两种方法,一种用于替换单词,另一种用于去除否定。

Example

首先,导入必需的包。

from nltk.corpus import wordnet

接下来,创建名为 word_antonym_replacer 的类 -

class word_antonym_replacer(object):
   def replace(self, word, pos=None):
      antonyms = set()
      for syn in wordnet.synsets(word, pos=pos):
         for lemma in syn.lemmas():
            for antonym in lemma.antonyms():
               antonyms.add(antonym.name())
      if len(antonyms) == 1:
         return antonyms.pop()
      else:
         return None
   def replace_negations(self, sent):
      i, l = 0, len(sent)
      words = []
      while i < l:
         word = sent[i]
         if word == 'not' and i+1 < l:
            ant = self.replace(sent[i+1])
            if ant:
               words.append(ant)
               i += 2
               continue
         words.append(word)
         i += 1
      return words

保存这个 Python 程序(例如 replaceantonym.py)并从 Python 命令提示符运行它。运行它后,当您想用明确的反义词替换单词时,导入 word_antonym_replacer 类。让我们来看看怎么做。

from replacerantonym import word_antonym_replacer
rep_antonym = word_antonym_replacer ()
rep_antonym.replace(‘uglify’)

Output

['beautify'']
sentence = ["Let us", 'not', 'uglify', 'our', 'country']
rep_antonym.replace _negations(sentence)

Output

["Let us", 'beautify', 'our', 'country']

Complete implementation example

nltk.corpus import wordnet
class word_antonym_replacer(object):
def replace(self, word, pos=None):
   antonyms = set()
   for syn in wordnet.synsets(word, pos=pos):
      for lemma in syn.lemmas():
      for antonym in lemma.antonyms():
         antonyms.add(antonym.name())
   if len(antonyms) == 1:
      return antonyms.pop()
   else:
      return None
def replace_negations(self, sent):
   i, l = 0, len(sent)
   words = []
   while i < l:
      word = sent[i]
      if word == 'not' and i+1 < l:
         ant = self.replace(sent[i+1])
         if ant:
            words.append(ant)
            i += 2
            continue
      words.append(word)
      i += 1
   return words

现在,一旦您保存了上述程序并运行它,您就可以导入该类并按如下方式使用它 −

from replacerantonym import word_antonym_replacer
rep_antonym = word_antonym_replacer ()
rep_antonym.replace(‘uglify’)
sentence = ["Let us", 'not', 'uglify', 'our', 'country']
rep_antonym.replace _negations(sentence)

Output

["Let us", 'beautify', 'our', 'country']

Corpus Readers and Custom Corpora

What is a corpus?

语料库是由以自然交流环境产生的并以机器可读文本形式存在的结构化文档组成的庞大集合。Corpora 一词是语料库的复数形式。语料库可以通过以下多种方式获取 −

  1. 从原本以电子形式存在的文本

  2. 从口语转录

  3. 从光学字符识别等等

语料库代表性、语料库平衡、抽样、语料库大小是在设计语料库的过程中起重要作用的元素。一些最常见的 NLP 任务语料库是 TreeBank、PropBank、VarbNet 和 WordNet。

How to build custom corpus?

在下载 NLTK 时,我们还安装了 NLTK 数据包。因此,我们的计算机上已经安装了 NLTK 数据包。如果我们谈论 Windows,我们将假定此数据包已安装在 C:\natural_language_toolkit_data 处,如果我们谈论 Linux、Unix 和 Mac OS X,我们将假定此数据包已安装在 /usr/share/natural_language_toolkit_data 处。

在以下 Python 配方中,我们将创建自定义语料库,它必须位于 NLTK 定义的其中一条路径中。这是因为可以由 NLTK 找到它。为了避免与官方 NLTK 数据包的冲突,让我们在主目录中创建一个自定义 natural_language_toolkit_data 目录。

import os, os.path
path = os.path.expanduser('~/natural_language_toolkit_data')
if not os.path.exists(path):
   os.mkdir(path)
os.path.exists(path)

Output

True

现在,让我们检查主目录中是否有名为 natural_language_toolkit_data 的目录

import nltk.data
path in nltk.data.path

Output

True

由于我们已经得到了输出 True,这意味着我们的主目录中包含 nltk_data 目录。

现在,我们将创建一个名为 wordfile.txt 的单词表文件,并将其放入名为 corpus 的目录中 nltk_data 目录 (~/nltk_data/corpus/wordfile.txt) ,并将通过使用 nltk.data.load 加载它

import nltk.data
nltk.data.load(‘corpus/wordfile.txt’, format = ‘raw’)

Output

b’tutorialspoint\n’

Corpus readers

NLTK 提供各种 CorpusReader 类。我们将在以下 python 配方中介绍它们

Creating wordlist corpus

NLTK 具有 WordListCorpusReader 类,它提供对包含单词列表的文件的访问。对于以下 Python 配方,我们需要创建一个单词表文件,该文件可以是 CSV 或普通文本文件。例如,我们创建了一个名为“列表”的文件,其中包含以下数据:

tutorialspoint
Online
Free
Tutorials

现在让我们实例化一个 WordListCorpusReader 类,该类从我们创建的文件 ‘list’ 中生成单词列表。

from nltk.corpus.reader import WordListCorpusReader
reader_corpus = WordListCorpusReader('.', ['list'])
reader_corpus.words()

Output

['tutorialspoint', 'Online', 'Free', 'Tutorials']

Creating POS tagged word corpus

NLTK 具有 TaggedCorpusReader 类,借助它,我们可以创建一个 POS 标记词语料库。实际上,POS 标记是识别单词的词性标记的过程。

标记语料库最简单的格式之一是“单词/标记”形式,如下所示,摘自布朗语料库

The/at-tl expense/nn and/cc time/nn involved/vbn are/ber
astronomical/jj ./.

在上面的摘录中,每个单词都有一个标记,表示其 POS。例如, vb 表示动词。

现在让我们实例化一个 TaggedCorpusReader*class producing POS tagged words form the file *‘list.pos’ ,其中包含上述摘录。

from nltk.corpus.reader import TaggedCorpusReader
reader_corpus = TaggedCorpusReader('.', r'.*\.pos')
reader_corpus.tagged_words()

Output

[('The', 'AT-TL'), ('expense', 'NN'), ('and', 'CC'), ...]

Creating Chunked phrase corpus

NLTK 具有 ChnkedCorpusReader 类,借助它,我们可以创建一个分块短语语料库。实际上,块是句子的短语。

例如,我们有以下摘录,摘自标记 treebank 语料库

[Earlier/JJR staff-reduction/NN moves/NNS] have/VBP trimmed/VBN about/
IN [300/CD jobs/NNS] ,/, [the/DT spokesman/NN] said/VBD ./.

在上面的摘录中,每个块都是一个名词短语,但不在括号中的单词是句子树的一部分,而不是任何名词短语子树的一部分。

现在让我们实例化一个 ChunkedCorpusReader 类,该类从文件 ‘list.chunk’ 中生成分块短语,其中包含上述摘录。

from nltk.corpus.reader import ChunkedCorpusReader
reader_corpus = TaggedCorpusReader('.', r'.*\.chunk')
reader_corpus.chunked_words()

Output

[
   Tree('NP', [('Earlier', 'JJR'), ('staff-reduction', 'NN'), ('moves', 'NNS')]),
   ('have', 'VBP'), ...
]

Creating Categorized text corpus

NLTK 具有 CategorizedPlaintextCorpusReader 类,借助它,我们可以创建一个分类文本语料库。当我们拥有大量的文本语料库并希望将其分类到不同的部分时,这非常有用。

例如,布朗语料库有几个不同的类别。让我们借助以下 Python 代码找出它们

from nltk.corpus import brown^M
brown.categories()

Output

[
   'adventure', 'belles_lettres', 'editorial', 'fiction', 'government',
   'hobbies', 'humor', 'learned', 'lore', 'mystery', 'news', 'religion',
   'reviews', 'romance', 'science_fiction'
]

对语料库进行分类的最简单方法是针对每个类别创建一个文件。例如,让我们看看 movie_reviews 语料库中的两个摘录

movie_pos.txt

细红线有缺陷,但它会激起反应。

movie_neg.txt

高成本且制作精良的制作无法弥补其电视剧中普遍缺乏的自发性。

因此,从上述两个文件中,我们有两个类别,即 posneg

现在,让我们实例化一个 CategorizedPlaintextCorpusReader 类。

from nltk.corpus.reader import CategorizedPlaintextCorpusReader
reader_corpus = CategorizedPlaintextCorpusReader('.', r'movie_.*\.txt',
cat_pattern = r'movie_(\w+)\.txt')
reader_corpus.categories()
reader_corpus.fileids(categories = [‘neg’])
reader_corpus.fileids(categories = [‘pos’])

Output

['neg', 'pos']
['movie_neg.txt']
['movie_pos.txt']

Basics of Part-of-Speech (POS) Tagging

What is POS tagging?

标记是一种分类,是对标记的描述的自动分配。我们称描述符为“标记”,它表示词性(名词、动词、副词、形容词、代词、连词及其子类别)、语义信息等之一。

另一方面,如果我们谈论词性 (POS) 标记,可以将其定义为将一个句子转换为单词列表,再转换为元组列表的过程。此处,元组的形式为 (word, tag)。我们还可以称 POS 标记为将词性之一分配给给定单词的过程。

下表表示宾夕法尼亚树库语料库中使用最频繁的 POS 通知 -

Sr.No

Tag

Description

1

NNP

Proper noun, singular

2

NNPS

Proper noun, plural

3

PDT

Pre determiner

4

POS

Possessive ending

5

PRP

Personal pronoun

6

PRP$

Possessive pronoun

7

RB

Adverb

8

RBR

Adverb, comparative

9

RBS

Adverb, superlative

10

RP

Particle

11

SYM

Symbol (mathematical or scientific)

12

TO

to

13

UH

Interjection

14

VB

Verb, base form

15

VBD

Verb, past tense

16

VBG

Verb, gerund/present participle

17

VBN

Verb, past

18

WP

Wh-pronoun

19

WP$

Possessive wh-pronoun

20

WRB

Wh-adverb

21

#

Pound sign

22

$

Dollar sign

23

.

Sentence-final punctuation

24

,

Comma

25

:

Colon, semi-colon

26

(

Left bracket character

27

)

Right bracket character

28

"

Straight double quote

29

'

Left open single quote

30

"

Left open double quote

31

'

Right close single quote

32

"

Right open double quote

Example

让我们通过一个 Python 实验来理解它 -

import nltk
from nltk import word_tokenize
sentence = "I am going to school"
print (nltk.pos_tag(word_tokenize(sentence)))

Output

[('I', 'PRP'), ('am', 'VBP'), ('going', 'VBG'), ('to', 'TO'), ('school', 'NN')]

Why POS tagging?

词性标注是自然语言处理中的重要组成部分,因为它可作为进一步的自然语言处理分析的前提,如下所示 −

  1. Chunking

  2. Syntax Parsing

  3. Information extraction

  4. Machine Translation

  5. Sentiment Analysis

  6. 语法分析和词歧义消解

TaggerI - Base class

所有标记器均位于 NLTK 的 nltk.tag 包中。这些标记器的基础类为 TaggerI ,这意味着所有标记器都从该类继承。

Methods − TaggerI 类具有以下两个方法,必须由其所有子类实现 −

  1. tag() method − 如其名称所述,此方法将单词列表作为输入,并返回已标记单词的列表作为输出。

  2. evaluate() method − 通过此方法,我们可以评估标记器的准确性。

taggeri

The Baseline of POS Tagging

词性标注的基本步骤或基准是 Default Tagging ,可以使用 NLTK 的 DefaultTagger 类执行它。默认标注会为每个标记分配相同的词性标记。默认标注还提供了衡量准确性提升的基准。

DefaultTagger class

通过使用 DefaultTagging 类执行默认标注,该类采用一个变量,即我们想要应用标记。

How does it work?

如前所述,所有标记器都继承自 TaggerI 类。 DefaultTaggerSequentialBackoffTagger 继承,而后者是 TaggerI class 的子类。让我们使用以下图表理解它 −

taggeri class

作为 SeuentialBackoffTagger 的部分, DefaultTagger 必须实现 choose_tag() 方法,该方法采用以下三个变量。

  1. Token’s list

  2. Current token’s index

  3. 先前标记的列表,即历史

Example

import nltk
from nltk.tag import DefaultTagger
exptagger = DefaultTagger('NN')
exptagger.tag(['Tutorials','Point'])

Output

[('Tutorials', 'NN'), ('Point', 'NN')]

在此示例中,我们选择了名词标记,因为它是单词中最常见的类型。此外, DefaultTagger 在选择最常见的词性标记时也最有效。

Accuracy evaluation

DefaultTagger 也是评估标记器准确性的基准。这就是我们可以将它与 evaluate() 方法结合使用以衡量准确性的原因。 evaluate() 方法将标记标记的列表作为黄金标准,以便评估标记器。

以下是一个示例,我们在其中使用了我们创建的默认标记器 exptagger (以上创建),以评估 treebank 语料库标注语句的子集的准确性 −

Example

import nltk
from nltk.tag import DefaultTagger
exptagger = DefaultTagger('NN')
from nltk.corpus import treebank
testsentences = treebank.tagged_sents() [1000:]
exptagger.evaluate (testsentences)

Output

0.13198749536374715

以上输出表明,在为每个标记选择 NN 的情况下,我们可以在 treebank 语料库的 1000 个条目上执行准确度测试,实现大约 13% 的准确度。

Tagging a list of sentences

除了标记单个语句外,NLTK 的 TaggerI 类还为我们提供 tag_sents() 方法,我们可借助该方法标记一系列语句。以下是我们标记两个简单语句的示例

Example

import nltk
from nltk.tag import DefaultTagger
exptagger = DefaultTagger('NN')
exptagger.tag_sents([['Hi', ','], ['How', 'are', 'you', '?']])

Output

[
   [
      ('Hi', 'NN'),
      (',', 'NN')
   ],
   [
      ('How', 'NN'),
      ('are', 'NN'),
      ('you', 'NN'),
      ('?', 'NN')
   ]
]

在上例中,我们使用了我们先前创建的、名为 exptagger 的默认标记器。

Un-tagging a sentence

我们还可以取消对语句的标记。NLTK 提供 nltk.tag.untag() 方法用于此目的。它将接受一个标记的语句作为输入,并提供一个不带标记的单词列表。让我们看一个示例 −

Example

import nltk
from nltk.tag import untag
untag([('Tutorials', 'NN'), ('Point', 'NN')])

Output

['Tutorials', 'Point']

Natural Language Toolkit - Unigram Tagger

What is Unigram Tagger?

顾名思义,一元标记器是一种只使用单个单词作为上下文来确定 POS(词性)标记的标记器。用简单的话来说,一元标记器是一种基于上下文的标记器,其上下文是一个单词,即一元。

How does it work?

NLTK 提供了一个名为 UnigramTagger 的模块来实现此目的。但在深入了解其工作原理之前,让我们借助以下图表了解层次结构 −

unigram tagger

从上图可以看出, UnigramTagger 继承自 NgramTagger ,后者是 ContextTagger 的子类,它从 SequentialBackoffTagger 继承。

UnigramTagger 的工作原理通过以下步骤进行解释 −

  1. 如我们所见, UnigramTagger 继承自 ContextTagger ,它实现了 context() 方法。这个 context() 方法采用与 choose_tag() 方法相同的三(3)个参数。

  2. context() 方法的结果将是词标记,该标记进一步用于创建模型。一旦模型创建,词标记也用于查找最佳标记。

  3. 通过这种方式, UnigramTagger 将根据标记句子的列表构建一个上下文模型。

Training a Unigram Tagger

NLTK 的 UnigramTagger 可以在初始化时通过提供标记句子的列表来进行训练。在下面的示例中,我们将使用树库语料库的标记句子。我们将使用该语料库中的前 2500 个句子。

Example

首先从 NLTK 导入 UniframTagger 模块 −

from nltk.tag import UnigramTagger

接下来,导入想要使用的语料库。这里我们使用 treebank 语料库 −

from nltk.corpus import treebank

现在,获取句子以用于训练。我们使用前 2500 个句子以用于训练目的并且将会标记它们 −

train_sentences = treebank.tagged_sents()[:2500]

接下来,将 UnigramTagger 应用到用于训练目的的句子上 −

Uni_tagger = UnigramTagger(train_sentences)

获取一些句子,用于训练目的,这些句子等于或少于训练目的的句子,即 2500,用于测试目的。这里我们取前 1500 个句子用于测试目的 −

test_sentences = treebank.tagged_sents()[1500:]
Uni_tagger.evaluate(test_sents)

Output

0.8942306156033808

这里,一个标记器使用单个单词查找来确定词性标记,我们获得了大约 89% 的精确度。

Complete implementation example

from nltk.tag import UnigramTagger
from nltk.corpus import treebank
train_sentences = treebank.tagged_sents()[:2500]
Uni_tagger = UnigramTagger(train_sentences)
test_sentences = treebank.tagged_sents()[1500:]
Uni_tagger.evaluate(test_sentences)

Output

0.8942306156033808

Overriding the context model

从上面显示 UnigramTagger 层级的图表中,我们知道所有从 ContextTagger 继承的标记器,都可以使用预构建的模型,而不是训练自己的模型。该预构建的模型只是一组将上下文键映射到标记的 Python 字典。对于 UnigramTagger ,上下文键是个别单词,而对于其他 NgramTagger 子类,它将是元组。

我们可以将另一个简单模型传递到 UnigramTagger 类中,而不是传递训练集,来重写此上下文模型。让我们借助下面的一个简单示例来理解它 −

Example

from nltk.tag import UnigramTagger
from nltk.corpus import treebank
Override_tagger = UnigramTagger(model = {‘Vinken’ : ‘NN’})
Override_tagger.tag(treebank.sents()[0])

Output

[
   ('Pierre', None),
   ('Vinken', 'NN'),
   (',', None),
   ('61', None),
   ('years', None),
   ('old', None),
   (',', None),
   ('will', None),
   ('join', None),
   ('the', None),
   ('board', None),
   ('as', None),
   ('a', None),
   ('nonexecutive', None),
   ('director', None),
   ('Nov.', None),
   ('29', None),
   ('.', None)
]

因为我们的模型包含“Vinken”作为唯一的上下文键,所以你可以从上面的输出中观察到只有此单词获得了标记且其他每个单词都有 None 作为标记。

Setting a minimum frequency threshold

为了决定哪个标记最可能用于给定上下文, ContextTagger 类使用出现频率。即使上下文单词和标记仅出现一次,它也会默认这么做,但我们可以通过将 cutoff 值传递到 UnigramTagger 类来设置最小频率阈值。在下面的示例中,我们传递了我们训练了 UnigramTagger 中的先前配方中的截止值 −

Example

from nltk.tag import UnigramTagger
from nltk.corpus import treebank
train_sentences = treebank.tagged_sents()[:2500]
Uni_tagger = UnigramTagger(train_sentences, cutoff = 4)
test_sentences = treebank.tagged_sents()[1500:]
Uni_tagger.evaluate(test_sentences)

Output

0.7357651629613641

Natural Language Toolkit - Combining Taggers

Combining Taggers

组合标记器或将标记器相互链接是 NLTK 的一大重要特性。组合标记器的基本概念是,如果一个标记器不知道如何标记一个单词,则可以将其传递到链接的标记器。为了实现此目的, SequentialBackoffTagger 为我们提供了 Backoff tagging 特性。

Backoff Tagging

正如前面所述,反向标记是 SequentialBackoffTagger 的重要特性之一,它允许我们组合标记器,如果一个标记器不知道如何标记一个单词,则该单词将传递给下一个标记器,以此类推,直到没有反向标记器可以检查。

How does it work?

实际上, SequentialBackoffTagger 的每个子类都可以使用“反向标记”关键字参数。此关键字参数的值是 SequentialBackoffTagger 的另一个实例。现在,每当初始化该 SequentialBackoffTagger 类时,将创建一个内部反向标记器列表(它本身为第一个元素)。此外,如果给出反向标记器,则将追加该反向标记器的内部列表。

在下面的示例中,我们在上面的 Python 配方中将 DefaulTagger 作为反向标记器,我们用它来训练 UnigramTagger

Example

在此示例中,我们使用 DefaulTagger 作为反向标记器。每当 UnigramTagger 无法标记一个单词时,反向标记器(在本例中为 DefaulTagger )将用“NN”标记它。

from nltk.tag import UnigramTagger
from nltk.tag import DefaultTagger
from nltk.corpus import treebank
train_sentences = treebank.tagged_sents()[:2500]
back_tagger = DefaultTagger('NN')
Uni_tagger = UnigramTagger(train_sentences, backoff = back_tagger)
test_sentences = treebank.tagged_sents()[1500:]
Uni_tagger.evaluate(test_sentences)

Output

0.9061975746536931

从上面的输出中,你可以看到通过添加反向标记器,准确度提高了大约 2%。

Saving taggers with pickle

正如我们所看到的,训练标记器非常麻烦,而且费时。为了节省时间,我们可以将训练过的标记器腌制起来,以便稍后使用。在下面的示例中,我们将对已训练过的标记器 ‘Uni_tagger’ 执行此操作。

Example

import pickle
f = open('Uni_tagger.pickle','wb')
pickle.dump(Uni_tagger, f)
f.close()
f = open('Uni_tagger.pickle','rb')
Uni_tagger = pickle.load(f)

NgramTagger Class

从以前单元中讨论的层次结构图中, UnigramTaggerNgarmTagger 类继承,但我们还有两个 NgarmTagger 类的子类 −

BigramTagger subclass

实际上,一个 n-元语法是一组 n 个项目的子序列,因此,顾名思义, BigramTagger 子类会查看这两个项目。第一个项目是前一个标记的单词,第二个项目是当前标记的单词。

TrigramTagger subclass

对于 BigramTagger, TrigramTagger 子类也是如此,它会查看三个项目,即两个前一个标记的单词和一个当前标记的单词。

实际上,如果我们像使用 UnigramTagger 子类一样单独应用 BigramTaggerTrigramTagger 子类,它们的表现都非常糟糕。让我们看下面的示例:

Using BigramTagger Subclass

from nltk.tag import BigramTagger
from nltk.corpus import treebank
train_sentences = treebank.tagged_sents()[:2500]
Bi_tagger = BigramTagger(train_sentences)
test_sentences = treebank.tagged_sents()[1500:]
Bi_tagger.evaluate(test_sentences)

Output

0.44669191071913594

Using TrigramTagger Subclass

from nltk.tag import TrigramTagger
from nltk.corpus import treebank
train_sentences = treebank.tagged_sents()[:2500]
Tri_tagger = TrigramTagger(train_sentences)
test_sentences = treebank.tagged_sents()[1500:]
Tri_tagger.evaluate(test_sentences)

Output

0.41949863394526193

你可以比较我们以前使用过的 UnigramTagger 的性能(准确度约为 89%)与 BigramTagger(准确度约为 44%)和 TrigramTagger(准确度约为 41%)。原因是 Bigram 和 Trigram 标记器无法从句子中的第一个单词(几个单词)中学习上下文。另一方面,UnigramTagger 类不关心之前的上下文,并猜测每个单词最常见的标记,因此能够有很高的基线准确度。

Combining ngram taggers

从上面的示例中,显然当我们将 Bigram 和 Trigram 标记器与反向标记结合使用时,它们可以有所贡献。在下面的示例中,我们将 Unigram、Bigram 和 Trigram 标记器与反向标记结合使用。该概念与将 UnigramTagger 与反向标记器结合使用时的前一个方法相同。唯一的区别在于,我们使用下面给出的 tagger_util.py 中名为 backoff_tagger() 的函数进行反向操作。

def backoff_tagger(train_sentences, tagger_classes, backoff=None):
   for cls in tagger_classes:
      backoff = cls(train_sentences, backoff=backoff)
   return backoff

Example

from tagger_util import backoff_tagger
from nltk.tag import UnigramTagger
from nltk.tag import BigramTagger
from nltk.tag import TrigramTagger
from nltk.tag import DefaultTagger
from nltk.corpus import treebank
train_sentences = treebank.tagged_sents()[:2500]
back_tagger = DefaultTagger('NN')
Combine_tagger = backoff_tagger(train_sentences,
[UnigramTagger, BigramTagger, TrigramTagger], backoff = back_tagger)
test_sentences = treebank.tagged_sents()[1500:]
Combine_tagger.evaluate(test_sentences)

Output

0.9234530029238365

从上面的输出中,我们可以看到它将准确度提高了约 3%。

More Natural Language Toolkit Taggers

Affix Tagger

ContextTagger 子类的另一个重要类是 AffixTagger。在 AffixTagger 类中,上下文是单词的前缀或后缀。由于这个原因,AffixTagger 类能够根据单词开头或结尾的固定长度子串来学习标记。

How does it work?

它的运作取决于名为 affix_length 的参数,该参数指定前缀或后缀的长度。默认值为 3。但是,它如何区别 AffixTagger 类学习的是单词的前缀还是后缀?

  1. affix_length=positive −如果 affix_lenght 的值为正,则表示 AffixTagger 类将学习单词的前缀。

  2. affix_length=negative −如果 affix_lenght 的值为负,则表示 AffixTagger 类将学习单词的后缀。

为了让其更清晰,在下面的示例中,我们将对带标记的树库句子使用 AffixTagger 类。

Example

在此示例中,AffixTagger 将学习单词的前缀,因为我们没有为 affix_length 参数指定任何值。参数将采用默认值 3 −

from nltk.tag import AffixTagger
from nltk.corpus import treebank
train_sentences = treebank.tagged_sents()[:2500]
Prefix_tagger = AffixTagger(train_sentences)
test_sentences = treebank.tagged_sents()[1500:]
Prefix_tagger.evaluate(test_sentences)

Output

0.2800492099250667

让我们在下面的示例中看看,当我们为 affix_length 参数提供值 4 时准确度会如何 −

from nltk.tag import AffixTagger
from nltk.corpus import treebank
train_sentences = treebank.tagged_sents()[:2500]
Prefix_tagger = AffixTagger(train_sentences, affix_length=4 )
test_sentences = treebank.tagged_sents()[1500:]
Prefix_tagger.evaluate(test_sentences)

Output

0.18154947354966527

Example

在此示例中,AffixTagger 将学习单词的后缀,因为我们将为 affix_length 参数指定负值。

from nltk.tag import AffixTagger
from nltk.corpus import treebank
train_sentences = treebank.tagged_sents()[:2500]
Suffix_tagger = AffixTagger(train_sentences, affix_length = -3)
test_sentences = treebank.tagged_sents()[1500:]
Suffix_tagger.evaluate(test_sentences)

Output

0.2800492099250667

Brill Tagger

Brill Tagger 是一种基于转换的标记器。NLTK 提供了 BrillTagger 类,该类不是 SequentialBackoffTagger 的子类的第一个标记器。与之相反, BrillTagger 使用一系列规则来校正初始标记器的结果。

How does it work?

要使用 BrillTaggerTrainer 训练 BrillTagger 类,我们定义以下函数−

def train_brill_tagger(initial_tagger, train_sentences, **kwargs)

templates = [
   brill.Template(brill.Pos([-1])),
   brill.Template(brill.Pos([1])),
   brill.Template(brill.Pos([-2])),
   brill.Template(brill.Pos([2])),
   brill.Template(brill.Pos([-2, -1])),
   brill.Template(brill.Pos([1, 2])),
   brill.Template(brill.Pos([-3, -2, -1])),
   brill.Template(brill.Pos([1, 2, 3])),
   brill.Template(brill.Pos([-1]), brill.Pos([1])),
   brill.Template(brill.Word([-1])),
   brill.Template(brill.Word([1])),
   brill.Template(brill.Word([-2])),
   brill.Template(brill.Word([2])),
   brill.Template(brill.Word([-2, -1])),
   brill.Template(brill.Word([1, 2])),
   brill.Template(brill.Word([-3, -2, -1])),
   brill.Template(brill.Word([1, 2, 3])),
   brill.Template(brill.Word([-1]), brill.Word([1])),
]
trainer = brill_trainer.BrillTaggerTrainer(initial_tagger, templates, deterministic=True)
return trainer.train(train_sentences, **kwargs)

正如我们所看到的,此函数需要 initial_taggertrain_sentences 。它采用一个 initial_tagger 参数和一个模板列表,实现了 BrillTemplate 接口。 BrillTemplate 接口位于 nltk.tbl.template 模块中。此类实现之一是 brill.Template 类。

基于转换的标记器的主要作用是生成转换规则,校正初始标记器的输出,使其更符合训练语句。让我们看看下面的工作流−

brilltemplate

Example

对于此示例,我们将使用我们在组合标记器时创建的 combine_tagger (在上一份食谱中),即 NgramTagger 类作为后备链条的 initial_tagger 。首先,让我们使用 Combine.tagger 评估结果,然后将其用作 initial_tagger 以训练 bril 标记器。

from tagger_util import backoff_tagger
from nltk.tag import UnigramTagger
from nltk.tag import BigramTagger
from nltk.tag import TrigramTagger
from nltk.tag import DefaultTagger
from nltk.corpus import treebank
train_sentences = treebank.tagged_sents()[:2500]
back_tagger = DefaultTagger('NN')
Combine_tagger = backoff_tagger(
   train_sentences, [UnigramTagger, BigramTagger, TrigramTagger], backoff = back_tagger
)
test_sentences = treebank.tagged_sents()[1500:]
Combine_tagger.evaluate(test_sentences)

Output

0.9234530029238365

现在,让我们看看当 Combine_tagger 用作 initial_tagger 来训练 brill 标记器时的评估结果。

from tagger_util import train_brill_tagger
brill_tagger = train_brill_tagger(combine_tagger, train_sentences)
brill_tagger.evaluate(test_sentences)

Output

0.9246832510505041

我们可以注意到, BrillTagger 类的准确度比 Combine_tagger 略有提高。

Complete implementation example

from tagger_util import backoff_tagger
from nltk.tag import UnigramTagger
from nltk.tag import BigramTagger
from nltk.tag import TrigramTagger
from nltk.tag import DefaultTagger
from nltk.corpus import treebank
train_sentences = treebank.tagged_sents()[:2500]
back_tagger = DefaultTagger('NN')
Combine_tagger = backoff_tagger(train_sentences,
[UnigramTagger, BigramTagger, TrigramTagger], backoff = back_tagger)
test_sentences = treebank.tagged_sents()[1500:]
Combine_tagger.evaluate(test_sentences)
from tagger_util import train_brill_tagger
brill_tagger = train_brill_tagger(combine_tagger, train_sentences)
brill_tagger.evaluate(test_sentences)

Output

0.9234530029238365
0.9246832510505041

TnT Tagger

TnT 标记器,表示 Trigrams’nTags,是一个基于二阶马尔可夫模型的统计标记器。

How does it work?

我们可以借助以下步骤了解 TnT 标记器的工作原理:

  1. 首先,基于训练数据,TnT tegger 维护几个内部 FreqDistConditionalFreqDist 实例。

  2. 在此之后,频率分布将计算一元语法、二元语法和三元语法。

  3. 现在,在标记过程中,它将使用频率计算每个单词的可能标记的概率。

这就是为什么它不构建 NgramTagger 的后备链,而是将所有 ngram 模型一起用来为每个单词选择最佳标记。让我们在以下示例中评估 TnT 标记器的准确性:

from nltk.tag import tnt
from nltk.corpus import treebank
train_sentences = treebank.tagged_sents()[:2500]
tnt_tagger = tnt.TnT()
tnt_tagger.train(train_sentences)
test_sentences = treebank.tagged_sents()[1500:]
tnt_tagger.evaluate(test_sentences)

Output

0.9165508316157791

我们的准确度略低于 Brill Tagger。

请注意,在 evaluate() 之前,我们需要调用 train() ,否则我们将获得 0% 的准确度。

Natural Language Toolkit - Parsing

Parsing and its relevance in NLP

单词“Parsing”源自拉丁语单词 ‘pars’ (含义为 ‘part’ ),用于从文本中提取确切含义或字典含义。它也称为句法分析或语法分析。通过比较正式语法的规则,语法分析检查了文本的含义。例如,诸如“给我热冰淇淋”之类句子将被解析器或句法分析器所拒绝。

从这个意义上说,我们可以定义解析、句法分析或语法分析如下 −

可以将其定义为分析符号串的过程,该串是符合正式语法规则的自然语言。

relevance

我们可以借助以下几点理解解析在 NLP 中的相关性 −

  1. 解析器用于报告任何语法错误。

  2. 它有助于从常见错误中恢复,以便可以继续处理程序的其余部分。

  3. 解析树是在解析器的帮助下创建的。

  4. 解析器用于创建符号表,该表在 NLP 中起着重要作用。

  5. 解析器还用于生成中间表示 (IR)。

Deep Vs Shallow Parsing

Deep Parsing

Shallow Parsing

在深度解析中,搜索策略将为句子提供一个完整的句法结构。

解析从给定任务中解析一部分句法信息。

适用于复杂的 NLP 应用。

可用于不太复杂的 NLP 应用。

其中使用深度解析的 NLP 应用示例包括对话系统和摘要。

其中使用深度解析的 NLP 应用示例包括信息提取和文本挖掘。

也称为完全解析。

也称为块处理。

Various types of parsers

如讨论的那样,解析器基本上是对语法的程序解释。它在通过各种树的空间搜索后为给定的句子找到了最佳树。请参阅下方一些可用的解析器 –

Recursive descent parser

递归下降解析是最直接的解析形式之一。以下是有关递归下降解析器的一些重要要点 –

  1. 它遵循一个自顶向下的过程。

  2. 它尝试验证输入流的语法是否正确。

  3. 它从左到右读取输入句子。

  4. 递归下降解析器的一项必要操作是从输入流读取字符并将它们与语法中的终结符进行匹配。

Shift-reduce parser

以下是有关移-约解析器的一些重要要点 –

  1. 它遵循一个简单的自底向上的过程。

  2. 它尝试找到与语法产生的右侧对应的一系列单词和短语,并用产生的左侧替换它们。

  3. 找到一系列单词的上述尝试将一直持续到整个句子被约简为止。

  4. 换句话说,移-约解析器从输入符号开始,并尝试构建一直到开始符号的解析器树。

Chart parser

以下是有关图表解析器的一些重要要点 –

  1. 主要适用于有歧义的语法,包括自然语言语法。

  2. 对解析问题应用动态规划。

  3. 由于动态规划,部分假设结果存储在称为“图表”的结构中。

  4. “图表”还可以重复使用。

Regexp parser

正则表达式解析是最常用的解析技术之一。以下是关于正则表达式解析器的一些重要要点 -

  1. 顾名思义,它使用在 POS 标记字符串上定义为语法形式的正则表达式。

  2. 它基本上使用这些正则表达式来解析输入句子,并从中生成解析树。

Example

以下是正则表达式解析器的实际示例 -

import nltk
sentence = [
   ("a", "DT"),
   ("clever", "JJ"),
   ("fox","NN"),
   ("was","VBP"),
   ("jumping","VBP"),
   ("over","IN"),
   ("the","DT"),
   ("wall","NN")
]
grammar = "NP:{<DT>?<JJ>*<NN>}"
Reg_parser = nltk.RegexpParser(grammar)
Reg_parser.parse(sentence)
Output = Reg_parser.parse(sentence)
Output.draw()

Output

regexp parser

Dependency Parsing

依存关系解析 (DP),一种现代解析机制,其主要概念是每个语言单元(即单词)通过直接链接相互关联。这些直接链接在语言学中实际上是 ‘dependencies’ 。例如,下图显示了句子 “John can hit the ball” 的依存关系语法。

dependency parsing

NLTK Package

以下是使用 NLTK 进行依存关系解析的两种方式 -

Probabilistic, projective dependency parser

这是我们可以使用 NLTK 进行依存关系解析的第一种方式。但此解析器对使用有限的训练数据进行训练有限制。

Stanford parser

这是我们可以使用 NLTK 执行依存关系解析的另一种方式。斯坦福解析器是一种最先进的依存关系解析器。NLTK 对此进行了包装。要使用它,我们需要下载以下两样东西 -

Language model ,适用于所需语言。例如,英语语言模型。

Example

下载模型后,我们可以通过 NLTK 使用它,如下所示 -

from nltk.parse.stanford import StanfordDependencyParser
path_jar = 'path_to/stanford-parser-full-2014-08-27/stanford-parser.jar'
path_models_jar = 'path_to/stanford-parser-full-2014-08-27/stanford-parser-3.4.1-models.jar'
dep_parser = StanfordDependencyParser(
   path_to_jar = path_jar, path_to_models_jar = path_models_jar
)
result = dep_parser.raw_parse('I shot an elephant in my sleep')
depndency = result.next()
list(dependency.triples())

Output

[
   ((u'shot', u'VBD'), u'nsubj', (u'I', u'PRP')),
   ((u'shot', u'VBD'), u'dobj', (u'elephant', u'NN')),
   ((u'elephant', u'NN'), u'det', (u'an', u'DT')),
   ((u'shot', u'VBD'), u'prep', (u'in', u'IN')),
   ((u'in', u'IN'), u'pobj', (u'sleep', u'NN')),
   ((u'sleep', u'NN'), u'poss', (u'my', u'PRP$'))
]

Chunking & Information Extraction

What is Chunking?

分块是自然语言处理中最重要的过程之一,用于识别词性 (POS) 和短语。换句话说,通过分块,我们可以获得句子的结构。它也称为 partial parsing

Chunk patterns and chinks

Chunk patterns 是词性 (POS) 标记模式,用于定义组成块的单词类型。我们可以借助改进的正则表达式来定义块模式。

此外,我们还可以定义不应该在块中的单词类型的模式,这些未分块的单词称为 chinks

Implementation example

在以下示例中,除了解析句子 “the book has many chapters”, 的结果之外,一个名词短语的语法将块和裂纹模式都结合在一起 −

import nltk
sentence = [
   ("the", "DT"),
   ("book", "NN"),
   ("has","VBZ"),
   ("many","JJ"),
   ("chapters","NNS")
]
chunker = nltk.RegexpParser(
   r'''
   NP:{<DT><NN.*><.*>*<NN.*>}
   }<VB.*>{
   '''
)
chunker.parse(sentence)
Output = chunker.parse(sentence)
Output.draw()

Output

chunk patterns

正如上文所示,用于指定块的模式如下使用大括号 −

{<DT><NN>}

为了指定一个细微差别,我们可以翻转大括号,如下所示 −

}<VB>{.

现在,就特定的短语类型而言,这些规则可以组合成一个语法。

Information Extraction

我们已经经历了标记器以及可以用来构建信息提取引擎的解析器。让我们看看一个基本的信息提取管道 −

extraction

信息提取有很多应用程序,包括 −

  1. Business intelligence

  2. Resume harvesting

  3. Media analysis

  4. Sentiment detection

  5. Patent search

  6. Email scanning

Named-entity recognition (NER)

命名实体识别 (NER) 实际上是提取一些最常见实体(如姓名、组织、位置等)的一种方法。让我们看看一个示例,它采用了所有预处理步骤,如句子标记化、词性标注、组块、NER,并遵循上图中提供的管道。

Example

Import nltk
file = open (
   # provide here the absolute path for the file of text for which we want NER
)
data_text = file.read()
sentences = nltk.sent_tokenize(data_text)
tokenized_sentences = [nltk.word_tokenize(sentence) for sentence in sentences]
tagged_sentences = [nltk.pos_tag(sentence) for sentence in tokenized_sentences]
for sent in tagged_sentences:
print nltk.ne_chunk(sent)

一些修改后的命名实体识别 (NER) 也可用于提取诸如产品名称、生物医学实体、品牌名称等实体。

Relation extraction

关系提取是另一种常用的信息提取操作,它是提取各种实体之间不同关系的过程。可能有不同的关系,如继承、同义词、类比等,其定义取决于信息需求。例如,假设如果我们想要查找一本书的作者,那么作者身份将是作者名称和书名之间的关系。

Example

在以下示例中,我们使用与上图中所示相同的 IE 管道,我们一直使用它直到命名实体关系 (NER),并使用基于 NER 标记的关系模式对其进行扩展。

import nltk
import re
IN = re.compile(r'.*\bin\b(?!\b.+ing)')
for doc in nltk.corpus.ieer.parsed_docs('NYT_19980315'):
for rel in nltk.sem.extract_rels('ORG', 'LOC', doc, corpus = 'ieer',
pattern = IN):
print(nltk.sem.rtuple(rel))

Output

[ORG: 'WHYY'] 'in' [LOC: 'Philadelphia']
[ORG: 'McGlashan & Sarrail'] 'firm in' [LOC: 'San Mateo']
[ORG: 'Freedom Forum'] 'in' [LOC: 'Arlington']
[ORG: 'Brookings Institution'] ', the research group in' [LOC: 'Washington']
[ORG: 'Idealab'] ', a self-described business incubator based in' [LOC: 'Los Angeles']
[ORG: 'Open Text'] ', based in' [LOC: 'Waterloo']
[ORG: 'WGBH'] 'in' [LOC: 'Boston']
[ORG: 'Bastille Opera'] 'in' [LOC: 'Paris']
[ORG: 'Omnicom'] 'in' [LOC: 'New York']
[ORG: 'DDB Needham'] 'in' [LOC: 'New York']
[ORG: 'Kaplan Thaler Group'] 'in' [LOC: 'New York']
[ORG: 'BBDO South'] 'in' [LOC: 'Atlanta']
[ORG: 'Georgia-Pacific'] 'in' [LOC: 'Atlanta']

在上面的代码中,我们使用了一个名为 ieer 的内置语料库。在这个语料库中,句子被标记到命名实体关系 (NER)。在这里,我们只需要指定我们想要的关系列模式以及我们希望关系定义的 NER 类型。在我们的示例中,我们定义了组织和位置之间的关系。我们提取了这些模式的所有组合。

Natural Language Toolkit - Transforming Chunks

Why transforming Chunks?

到目前为止,我们已经从句子中获得了部分或短语,但我们应该用它们做什么。其中一项重要任务是对它们进行转换。但是为什么呢?是为了执行以下操作 -

  1. grammatical correction and

  2. rearranging phrases

Filtering insignificant/useless words

假设您想判断短语的含义,那么有许多常用单词,例如,“the”、“a”是无关紧要的或无用的。例如,请看以下短语 -

“The movie was good”。

这里最重要的单词是“movie”和“good”。其他单词“the”和“was”都是无用的或无关紧要的。这是因为没有它们,我们也可以获得短语的相同含义。“Good movie”。

在以下 Python 配方中,我们将学习如何使用 POS 标记删除无用/无关紧要的单词并保留有意义的单词。

Example

首先,通过查看 treebank 语料库以获取停用词,我们需要确定哪些词性标记是有意义的,哪些是没有意义的。让我们看看下表,其中包含无关紧要的单词和标记 -

Word

Tag

a

DT

All

PDT

An

DT

And

CC

Or

CC

That

WDT

The

DT

从上表中,我们可以看到除了 CC 之外,所有其他标签都以 DT 结尾,这意味着我们可以通过查看标签的后缀来过滤掉无关紧要的单词。

对于此示例,我们将使用一个名为 filter() 的函数,它获取一个块并返回一个不带任何无关紧要标记单词的新块。此函数会过滤掉所有以 DT 或 CC 结尾的标记。

Example

import nltk
def filter(chunk, tag_suffixes=['DT', 'CC']):
   significant = []
   for word, tag in chunk:
      ok = True
      for suffix in tag_suffixes:
         if tag.endswith(suffix):
            ok = False
            break
      if ok:
         significant.append((word, tag))
   return (significant)

现在,让我们在 Python 配方中使用此函数 filter() 来删除无关紧要的单词 -

from chunk_parse import filter
filter([('the', 'DT'),('good', 'JJ'),('movie', 'NN')])

Output

[('good', 'JJ'), ('movie', 'NN')]

Verb Correction

在现实世界语言中,我们经常看到不正确的动词形式。例如,“is you fine?”是不正确的。这个句子中的动词形式不正确。这个句子应该是“are you fine?”NLTK 通过创建动词更正映射为我们提供了纠正此类错误的方法。这些更正映射的使用取决于块中是否有复数或单数名词。

Example

要实现 Python 配方,我们首先需要定义动词更正映射。让我们创建两个映射,如下所示 -

Plural to Singular mappings

plural= {
   ('is', 'VBZ'): ('are', 'VBP'),
   ('was', 'VBD'): ('were', 'VBD')
}

Singular to Plural mappings

singular = {
   ('are', 'VBP'): ('is', 'VBZ'),
   ('were', 'VBD'): ('was', 'VBD')
}

如上所示,每个映射都有一个标记动词,它映射到另一个标记动词。我们示例中的初始映射涵盖了映射 is to are, was to were 的基础,反之亦然。

接下来,我们将定义一个名为 verbs() 的函数,您可以在其中传递一个动词形式不正确的部分,我们将会从 verb() 函数获取一个更正的部分。要完成此操作, verb() 函数使用一个名为 index_chunk() 的帮助函数,它将在片段中搜索第一个标记单词的位置。

让我们看看这些函数 -

def index_chunk(chunk, pred, start = 0, step = 1):
   l = len(chunk)
   end = l if step > 0 else -1
   for i in range(start, end, step):
      if pred(chunk[i]):
         return i
      return None
def tag_startswith(prefix):
   def f(wt):
      return wt[1].startswith(prefix)
   return f

def verbs(chunk):
   vbidx = index_chunk(chunk, tag_startswith('VB'))
   if vbidx is None:
      return chunk
   verb, vbtag = chunk[vbidx]
   nnpred = tag_startswith('NN')
   nnidx = index_chunk(chunk, nnpred, start = vbidx+1)
   if nnidx is None:
      nnidx = index_chunk(chunk, nnpred, start = vbidx-1, step = -1)
   if nnidx is None:
      return chunk
   noun, nntag = chunk[nnidx]
   if nntag.endswith('S'):
      chunk[vbidx] = plural.get((verb, vbtag), (verb, vbtag))
   else:
      chunk[vbidx] = singular.get((verb, vbtag), (verb, vbtag))
   return chunk

将这些函数保存在 Python 文件中,在安装了 Python 或 Anaconda 的本地目录中运行该文件。我已将该文件保存在 verbcorrect.py 中。

现在,我们对 is you fine 块上的 verbs() 函数使用 POS 标记 −

from verbcorrect import verbs
verbs([('is', 'VBZ'), ('you', 'PRP$'), ('fine', 'VBG')])

Output

[('are', 'VBP'), ('you', 'PRP$'), ('fine','VBG')]

Eliminating passive voice from phrases

另一项有用的任务是从短语中消除被动语态。可以使用围绕动词交换单词来执行此操作。例如,可以将 ‘the tutorial was great’ 转变成 ‘the great tutorial’

Example

为实现这一点,我们定义了一个名为 eliminate_passive() 的函数,其通过使用动词作为枢轴点来将块的右侧与左侧进行交换。为了找到围绕动词进行枢纽,它还将使用上述 index_chunk() 函数。

def eliminate_passive(chunk):
   def vbpred(wt):
      word, tag = wt
      return tag != 'VBG' and tag.startswith('VB') and len(tag) > 2
   vbidx = index_chunk(chunk, vbpred)
   if vbidx is None:
      return chunk
   return chunk[vbidx+1:] + chunk[:vbidx]

现在,我们对 the tutorial was great 块上的 eliminate_passive() 函数使用 POS 标记 −

from passiveverb import eliminate_passive
eliminate_passive(
   [
      ('the', 'DT'), ('tutorial', 'NN'), ('was', 'VBD'), ('great', 'JJ')
   ]
)

Output

[('great', 'JJ'), ('the', 'DT'), ('tutorial', 'NN')]

Swapping noun cardinals

如我们所知,诸如 5 的基数词在块中标记为 CD。这些基数词常常在名词之前或之后出现,但出于规范化目的,将其始终放在名词之前会很有用。例如,可以将日期 January 5 写成 5 January 。让我们通过以下示例来理解。

Example

为实现这一点,我们定义了一个名为 swapping_cardinals() 的函数,其将紧跟在名词之后的任何基数与该名词进行交换。通过此操作,基数将立即出现在名词之前。为与给定的标记进行相等性比较,该函数将使用一个名为 tag_eql() 的辅助函数。

def tag_eql(tag):
   def f(wt):
      return wt[1] == tag
   return f

现在,我们可以定义 swapping_cardinals()−

def swapping_cardinals (chunk):
   cdidx = index_chunk(chunk, tag_eql('CD'))
   if not cdidx or not chunk[cdidx-1][1].startswith('NN'):
      return chunk
   noun, nntag = chunk[cdidx-1]
   chunk[cdidx-1] = chunk[cdidx]
   chunk[cdidx] = noun, nntag
   return chunk

现在,让我们对 “January 5” 上的 swapping_cardinals() 函数使用日期 −

from Cardinals import swapping_cardinals()
swapping_cardinals([('Janaury', 'NNP'), ('5', 'CD')])

Output

[('10', 'CD'), ('January', 'NNP')]
10 January

Natural Language Toolkit - Transforming Trees

以下是变换树的两个原因 −

  1. 修改深度分析树和

  2. 展开深度分析树

Converting Tree or Subtree to Sentence

我们即将在此讨论的第一个秘诀是将树或子树转换回句子或块字符串。这非常简单,让我们通过以下示例进行了解 −

Example

from nltk.corpus import treebank_chunk
tree = treebank_chunk.chunked_sents()[2]
' '.join([w for w, t in tree.leaves()])

Output

'Rudolph Agnew , 55 years old and former chairman of Consolidated Gold Fields
PLC , was named a nonexecutive director of this British industrial
conglomerate .'

Deep tree flattening

嵌套短语的深度树无法用于训练块,因此我们必须在使用之前将其展开。在以下示例中,我们将从 treebank 语料库中使用第 3 个分析句子,它是嵌套短语的深度树。

Example

为实现这一点,我们定义了一个名为 deeptree_flat() 的函数,该函数将采用一个 Tree 并将返回一个仅保留最低级别树的新 Tree。为对大多数工作进行操作,该函数将使用一个名为 childtree_flat() 的辅助函数。

from nltk.tree import Tree
def childtree_flat(trees):
   children = []
   for t in trees:
      if t.height() < 3:
         children.extend(t.pos())
      elif t.height() == 3:
         children.append(Tree(t.label(), t.pos()))
      else:
         children.extend(flatten_childtrees([c for c in t]))
   return children
def deeptree_flat(tree):
   return Tree(tree.label(), flatten_childtrees([c for c in tree]))

现在,让我们从 treebank 语料库中对第 3 个分析句子(是嵌套短语的深度树)调用 deeptree_flat() 函数。我们将这些函数保存在名为 deeptree.py 的文件中。

from deeptree import deeptree_flat
from nltk.corpus import treebank
deeptree_flat(treebank.parsed_sents()[2])

Output

Tree('S', [Tree('NP', [('Rudolph', 'NNP'), ('Agnew', 'NNP')]),
(',', ','), Tree('NP', [('55', 'CD'),
('years', 'NNS')]), ('old', 'JJ'), ('and', 'CC'),
Tree('NP', [('former', 'JJ'),
('chairman', 'NN')]), ('of', 'IN'), Tree('NP', [('Consolidated', 'NNP'),
('Gold', 'NNP'), ('Fields', 'NNP'), ('PLC',
'NNP')]), (',', ','), ('was', 'VBD'),
('named', 'VBN'), Tree('NP-SBJ', [('*-1', '-NONE-')]),
Tree('NP', [('a', 'DT'), ('nonexecutive', 'JJ'), ('director', 'NN')]),
('of', 'IN'), Tree('NP',
[('this', 'DT'), ('British', 'JJ'),
('industrial', 'JJ'), ('conglomerate', 'NN')]), ('.', '.')])

Building Shallow tree

在前面一节中,我们通过仅保留最低级别的子树来展开嵌套短语的深度树。在本节中,我们将仅保留最高级别的子树,即构建浅树。在以下示例中,我们将从 treebank 语料库中使用第 3 个分析句子,它是嵌套短语的深度树。

Example

为实现这一点,我们定义了一个名为 tree_shallow() 的函数,该函数将通过仅保留顶部子树标签来消除所有的嵌套子树。

from nltk.tree import Tree
def tree_shallow(tree):
   children = []
   for t in tree:
      if t.height() < 3:
         children.extend(t.pos())
      else:
         children.append(Tree(t.label(), t.pos()))
   return Tree(tree.label(), children)

现在,让我们从 treebank 语料库中对第 3 个分析句子(是嵌套短语的深度树)调用 tree_shallow() 函数。我们将这些函数保存在名为 shallowtree.py 的文件中。

from shallowtree import shallow_tree
from nltk.corpus import treebank
tree_shallow(treebank.parsed_sents()[2])

Output

Tree('S', [Tree('NP-SBJ-1', [('Rudolph', 'NNP'), ('Agnew', 'NNP'), (',', ','),
('55', 'CD'), ('years', 'NNS'), ('old', 'JJ'), ('and', 'CC'),
('former', 'JJ'), ('chairman', 'NN'), ('of', 'IN'), ('Consolidated', 'NNP'),
('Gold', 'NNP'), ('Fields', 'NNP'), ('PLC', 'NNP'), (',', ',')]),
Tree('VP', [('was', 'VBD'), ('named', 'VBN'), ('*-1', '-NONE-'), ('a', 'DT'),
('nonexecutive', 'JJ'), ('director', 'NN'), ('of', 'IN'), ('this', 'DT'),
('British', 'JJ'), ('industrial', 'JJ'), ('conglomerate', 'NN')]), ('.', '.')])

借助于获取树的高度,我们可以看到差异 −

from nltk.corpus import treebank
tree_shallow(treebank.parsed_sents()[2]).height()

Output

3
from nltk.corpus import treebank
treebank.parsed_sents()[2].height()

Output

9

Tree labels conversion

在剖析树中有多种 Tree 标签类型,但在区块树中不存在。但是,在使用剖析树训练区块器时,我们希望通过将一些树标签转换为更常见的标签类型来减少这种差异。例如,我们有两个替代的 NP 子树,即 NP-SBL 和 NP-TMP。我们可以将它们都转换为 NP。让我们在以下示例中了解如何执行此操作。

Example

为了实现这一点,我们正在定义一个名为 tree_convert() 的函数,它接受以下两个参数 −

  1. Tree to convert

  2. A label conversion mapping

此函数将返回一棵新树,其中所有匹配的标签都根据映射中的值进行替换。

from nltk.tree import Tree
def tree_convert(tree, mapping):
   children = []
   for t in tree:
      if isinstance(t, Tree):
         children.append(convert_tree_labels(t, mapping))
      else:
         children.append(t)
   label = mapping.get(tree.label(), tree.label())
   return Tree(label, children)

现在,让我们对 treebank 语料库中的第 3 个已剖析句子(嵌套短语的深度树)调用 tree_convert() 函数。我们将这些函数保存在名为 converttree.py 的文件中。

from converttree import tree_convert
from nltk.corpus import treebank
mapping = {'NP-SBJ': 'NP', 'NP-TMP': 'NP'}
convert_tree_labels(treebank.parsed_sents()[2], mapping)

Output

Tree('S', [Tree('NP-SBJ-1', [Tree('NP', [Tree('NNP', ['Rudolph']),
Tree('NNP', ['Agnew'])]), Tree(',', [',']),
Tree('UCP', [Tree('ADJP', [Tree('NP', [Tree('CD', ['55']),
Tree('NNS', ['years'])]),
Tree('JJ', ['old'])]), Tree('CC', ['and']),
Tree('NP', [Tree('NP', [Tree('JJ', ['former']),
Tree('NN', ['chairman'])]), Tree('PP', [Tree('IN', ['of']),
Tree('NP', [Tree('NNP', ['Consolidated']),
Tree('NNP', ['Gold']), Tree('NNP', ['Fields']),
Tree('NNP', ['PLC'])])])])]), Tree(',', [','])]),
Tree('VP', [Tree('VBD', ['was']),Tree('VP', [Tree('VBN', ['named']),
Tree('S', [Tree('NP', [Tree('-NONE-', ['*-1'])]),
Tree('NP-PRD', [Tree('NP', [Tree('DT', ['a']),
Tree('JJ', ['nonexecutive']), Tree('NN', ['director'])]),
Tree('PP', [Tree('IN', ['of']), Tree('NP',
[Tree('DT', ['this']), Tree('JJ', ['British']), Tree('JJ', ['industrial']),
Tree('NN', ['conglomerate'])])])])])])]), Tree('.', ['.'])])

Natural Language Toolkit - Text Classification

What is text classification?

正如名称所暗示的那样,文本分类是对文本或文档进行分类的方法。但是,这里 возникает вопрос: 为什么我们需要使用文本分类器?一旦检查文档或文本中的单词用法,分类器将能够决定应为其分配哪个类标签。

Binary Classifier

顾名思义,二元分类器将在两个标签之间进行选择。例如,正或负。在其中,文本或文档片段既可以是其中一个标签,也可以是另一个标签,但不能同时是这两个标签。

Multi-label Classifier

与二元分类器相反,多标签分类器可以向文本或文档片段分配一个或多个标签。

Labeled Vs Unlabeled Feature set

将特征名称映射为特征值称为特征集。标记的特征集或训练数据对于分类训练非常重要,以便它以后可以对未标记的特征集进行分类。

Labeled Feature Set

Unlabeled Feature Set

它是一个类似于 (feat, label) 的元组。

它本身是一种特性。

它是一个具有已知类标签的实例。

如果没有关联的标签,我们可以称之为实例。

用于训练分类算法。

一旦经过训练,分类算法就可以对未标记特征集进行分类。

Text Feature Extraction

正如名称所暗示的那样,文本特征提取是将单词列表转换成本分类器可用的特征集的过程。我们必须将文本转换为 ‘dict’ 样式的特征集,因为自然语言工具包 (NLTK) 需要 ‘dict’ 样式的特征集。

Bag of Words (BoW) model

BoW 是 NLP 中最简单的模型之一,用于从文本或文档片段中提取特征,以便可以在建模中使用它,这样它就可以在 ML 算法中使用。它基本上从实例的所有单词中构造单词存在特征集。此方法背后的概念是,它不关心单词出现多少次或单词的顺序,它只关心单词是否存在于单词列表中。

Example

对于此示例,我们将定义一个名为 bow() 的函数 −

def bow(words):
   return dict([(word, True) for word in words])

现在,让我们对单词调用 bow() 函数。我们将这些函数保存在名为 bagwords.py 的文件中。

from bagwords import bow
bow(['we', 'are', 'using', 'tutorialspoint'])

Output

{'we': True, 'are': True, 'using': True, 'tutorialspoint': True}

Training classifiers

在前面的章节中,我们学习了如何从文本中提取特征。所以现在我们可以训练一个分类器。第一个也是最简单的分类器是 NaiveBayesClassifier 类。

Naïve Bayes Classifier

为了预测给定的特征集合属于特定标签的概率,它使用贝叶斯定理。贝叶斯定理的公式如下。

在此,

P(A|B) − 它也被称为后验概率,即在已知第二个事件(即 B)发生的情况下,第一个事件(即 A)发生的概率。

P(B|A) − 它是在第一个事件(即 A)发生后,第二个事件(即 B)发生的概率。

P(A), P(B) − 它也被称为先验概率,即第一个事件(即 A)或第二个事件(即 B)发生的概率。

为了训练朴素贝叶斯分类器,我们将使用 NLTK 中的 movie_reviews 语料库。此语料库有两个类别的文本,即: posneg 。这些类别使训练它们的分类器成为二元分类器。语料库中的每个文件都由两部分组成,一部分是正面的电影评论,另一部分是负面的电影评论。在我们的例子中,我们将每个文件用作训练和测试分类器的单个实例。

Example

对于训练分类器,我们需要一个标记的特征集合列表,其形式为 [( featureset, label )]. 这里 featureset 变量是一个 dict ,标签是 featureset 的已知类标签。我们准备创建一个名为 label_corpus() 的函数,它将接受一个名为 movie_reviews*and also a function named *feature_detector 的语料库,该语料库默认为 bag of words 。它将构建并返回一个这种形式的映射:{label: [featureset]}。之后,我们将使用此映射来创建一个标记的训练实例和测试实例列表。

import collections

def label_corpus(corp, feature_detector=bow):
   label_feats = collections.defaultdict(list)
   for label in corp.categories():
      for fileid in corp.fileids(categories=[label]):
         feats = feature_detector(corp.words(fileids=[fileid]))
         label_feats[label].append(feats)
   return label_feats

借助上述函数,我们将得到一个映射 {label:fetaureset} 。现在,我们准备定义另一个名为 split 的函数,它将接受 label_corpus() 函数返回的映射,并将每个特征集合的列表分割为标记的训练实例和测试实例。

def split(lfeats, split=0.75):
   train_feats = []
   test_feats = []
   for label, feats in lfeats.items():
      cutoff = int(len(feats) * split)
      train_feats.extend([(feat, label) for feat in feats[:cutoff]])
      test_feats.extend([(feat, label) for feat in feats[cutoff:]])
   return train_feats, test_feats

现在,让我们在我们的语料库中使用这些函数,即 movie_reviews −

from nltk.corpus import movie_reviews
from featx import label_feats_from_corpus, split_label_feats
movie_reviews.categories()

Output

['neg', 'pos']

Example

lfeats = label_feats_from_corpus(movie_reviews)
lfeats.keys()

Output

dict_keys(['neg', 'pos'])

Example

train_feats, test_feats = split_label_feats(lfeats, split = 0.75)
len(train_feats)

Output

1500

Example

len(test_feats)

Output

500

我们已经看到,在 movie_reviews 语料库中有 1000 个 pos文件和 1000 个 neg 文件。我们最终得到了 1500 个标记的训练实例和 500 个标记的测试实例。

现在,让我们使用其 train() 类方法训练 NaïveBayesClassifier

from nltk.classify import NaiveBayesClassifier
NBC = NaiveBayesClassifier.train(train_feats)
NBC.labels()

Output

['neg', 'pos']

Decision Tree Classifier

另一个重要的分类器是决策树分类器。这里为了训练 DecisionTreeClassifier 类将创建一个树结构。在此树结构中,每个节点对应一个特征名称,分支对应特征值。沿着分支向下,我们将到达树叶,即分类标签。

为了训练决策树分类器,我们将使用我们从 movie_reviews 语料库中创建的相同的训练和测试特征,即 train_featstest_feats 变量。

Example

为了训练此分类器,我们将调用 DecisionTreeClassifier.train() 类方法,如下所示:

from nltk.classify import DecisionTreeClassifier
decisiont_classifier = DecisionTreeClassifier.train(
   train_feats, binary = True, entropy_cutoff = 0.8,
   depth_cutoff = 5, support_cutoff = 30
)
accuracy(decisiont_classifier, test_feats)

Output

0.725

Maximum Entropy Classifier

另一个重要的分类器是 MaxentClassifier ,它也被称为 conditional exponential classifierlogistic regression classifier 。在此处为了训练它, MaxentClassifier 类将使用编码将标记的特征集合转换为矢量。

为了训练决策树分类器,我们将使用我们从 movie_reviews 语料库中创建的相同的训练和测试特征,即 train_feats*and *test_feats 变量。

Example

为了训练此分类器,我们将调用 MaxentClassifier.train() 类方法,如下所示:

from nltk.classify import MaxentClassifier
maxent_classifier = MaxentClassifier
.train(train_feats,algorithm = 'gis', trace = 0, max_iter = 10, min_lldelta = 0.5)
accuracy(maxent_classifier, test_feats)

Output

0.786

Scikit-learn Classifier

最好的机器学习(ML)库之一是 Scikit-Learn。它实际上包含各种用途的各种 ML 算法,但它们都具有以下相同的拟合设计模式 −

  1. 将模型拟合到数据中

  2. 并使用该模型预测

与直接访问 scikit-learn 模型不同,我将使用 NLTK 的 SklearnClassifier 类。此类是 scikit-learn 模型的封装类,用于使其符合 NLTK 的 Classifier 接口。

我们将按照以下步骤训练 SklearnClassifier 类−

Step 1 − 我们先创建训练功能,就像我们在之前的食谱中所做的那样。

Step 2 − 现在,选择并导入 Scikit-learn 算法。

Step 3 − 接下来,我们需要使用所选算法构造 SklearnClassifier 类。

Step 4 − 最后,我们将用训练功能训练 SklearnClassifier 类。

让我们在下面的 Python 食谱中实现这些步骤−

from nltk.classify.scikitlearn import SklearnClassifier
from sklearn.naive_bayes import MultinomialNB
sklearn_classifier = SklearnClassifier(MultinomialNB())
sklearn_classifier.train(train_feats)
<SklearnClassifier(MultinomialNB(alpha = 1.0,class_prior = None,fit_prior = True))>
accuracy(sk_classifier, test_feats)

Output

0.885

Measuring precision and recall

在训练各种分类器时,我们还测量了它们的准确性。但除了准确性之外,还有许多其他指标可用于评估分类器。其中两个指标是 precisionrecall

Example

在此示例中,我们将计算我们之前训练的 NaiveBayesClassifier 类的精度和召回率。为此,我们将创建一个名为 metrics_PR() 的函数,它将使用两个参数,一个是训练后的分类器,另一个是带标签的测试功能。这两个参数与我们在计算分类器准确性时传递的参数相同−

import collections
from nltk import metrics
def metrics_PR(classifier, testfeats):
   refsets = collections.defaultdict(set)
   testsets = collections.defaultdict(set)
   for i, (feats, label) in enumerate(testfeats):
      refsets[label].add(i)
      observed = classifier.classify(feats)
         testsets[observed].add(i)
   precisions = {}
   recalls = {}
   for label in classifier.labels():
   precisions[label] = metrics.precision(refsets[label],testsets[label])
   recalls[label] = metrics.recall(refsets[label], testsets[label])
   return precisions, recalls

让我们调用此函数以查找精度和召回率−

from metrics_classification import metrics_PR
nb_precisions, nb_recalls = metrics_PR(nb_classifier,test_feats)
nb_precisions['pos']

Output

0.6713532466435213

Example

nb_precisions['neg']

Output

0.9676271186440678

Example

nb_recalls['pos']

Output

0.96

Example

nb_recalls['neg']

Output

0.478

Combination of classifier and voting

组合分类器是提高分类性能的最佳方法之一。投票是合并多个分类器的最佳方式之一。对于投票,我们需要奇数个分类器。在以下 Python 食谱中,我们将结合三个分类器,即 NaiveBayesClassifier 类、DecisionTreeClassifier 类和 MaxentClassifier 类。

为了实现这一点,我们将定义一个名为 voting_classifiers() 的函数,如下所示。

import itertools
from nltk.classify import ClassifierI
from nltk.probability import FreqDist
class Voting_classifiers(ClassifierI):
   def __init__(self, *classifiers):
      self._classifiers = classifiers
      self._labels = sorted(set(itertools.chain(*[c.labels() for c in classifiers])))
   def labels(self):
      return self._labels
   def classify(self, feats):
      counts = FreqDist()
      for classifier in self._classifiers:
         counts[classifier.classify(feats)] += 1
      return counts.max()

让我们调用此函数以组合三个分类器并找到准确性−

from vote_classification import Voting_classifiers
combined_classifier = Voting_classifiers(NBC, decisiont_classifier, maxent_classifier)
combined_classifier.labels()

Output

['neg', 'pos']

Example

accuracy(combined_classifier, test_feats)

Output

0.948

从上面的输出中,我们可以看到合并的分类器的准确性高于各个分类器。