自然语言处理入门 何晗 读书笔记 第1章 新手上路

第1章 新手上路

自然语言处理是一门融合了计算机科学、人工智能以及语言学的交叉学科。这门学科研究的是如何通过机器学习等技术，让计算机学会处理人类语言，乃至实现终极目标----理解人类语言或人工智能。

自然语言处理这个术语没有被广泛的定义，注重语言学结构的学者喜欢使用计算语言学(CL)，强调最终目的的学者更偏好自然语言理解(NLU)。

1.1 自然语言与编程语言

1.1.1 词汇量

自然语言中的词汇比编程语言中的关键词丰富。编程语言中，能使用的关键词数量有限且确定，比如，C语言一共有32个关键词，Java语言则有50个。但在自然语言中，我们可以使用的词汇量是无穷无尽的。

1.1.2 结构化

自然语言是非结构化的，而编程语言是结构化的。结构化是指信息具有明确的结构关系，比如编程语言中的类与成员、数据库的表与字段，而自然语言中则不存在这样的显式结构。

人类觉得很简单的一句话，要让计算机理解起来并不简单。

1.1.3 歧义性

自然语言含有大量歧义，而在编程语言中，则不存在歧义性。

1.1.4 容错性

自然语言中允许有错误，哪怕一句话错得再离谱，人们还是可以猜出它想表达的意思。而编程语言必须保证拼写绝对正确、语法绝对规范。

1.1.5 易变性

自然语言不是由某个个人或组织发明或制定标准的。编程语言由某个个人或组织发明并且负责维护。

1.1.6 简略性

人类语言往往简洁、干练。这也给自然语言处理带来了障碍。

 

1.2 自然语言处理的层次

1.2.1 语音、图像和文本

自然语言处理系统的输入源一共有3个，即语音、图像与文本。语音和图像受制于存储容量和传输速度，它们的信息总量还是没有文本多。

1.2.2 中文分词、词性标注和命名实体识别

这3个任务都是围绕词语进行的分析，所以统称词法分析。

1.2.3 信息抽取

1.2.4 文本分类与文本聚类

文本分类：有时我们想知道一段话是褒义还是贬义的，判断一封邮件是否是垃圾邮件，想把许多文档分门别类地整理一下，此时的任务称作文本分类。

文本聚类：有时只想把相似的文本归档到一起，或者排除重复的文档，而不关心具体类别。此时的任务称作文本聚类。

1.2.5 句法分析

1.2.6 语义分析与篇章分析

语义分析侧重语义而非语法。它包括词义消歧、语义角色标注乃至语义依存分析。本书不会涉及

1.2.7 其他高级任务

自动问答：微软的Cortana和苹果的Siri

自动摘要：为一篇长文档生成简短的摘要

机器翻译：将一句话从一种语言翻译到另一种语言。

 

1.3 自然语言处理的流派

1.3.1 基于规则的专家系统

规则，指的是由专家手工制定的确定性流程。专家系统要求设计者对所处理的问题具备深入的理解，并且尽量以人力全面考虑所有可能的情况。最大的弱点是难以拓展。

1.3.2 基于统计的学习方法

为了降低对专家的依赖，人们使用统计方法让计算机自动学习语言。所谓“统计”，指的是在语料库上进行的统计。语料库则是人工标注的结构化文本。

1.3.3 历史

1950基础研究----1980规则系统----1990统计方法------2010深度学习

1.3.4 规则与统计

随着机器学习的日渐成熟，领域专家的作用越来越小了。

本书尊重工程实践，以统计为主、规则为辅的方式介绍实用型NLP系统的搭建。

1.3.5 传统方法与深度学习

深度学习在自然语言处理领域中的基础任务上发力并不大。

 

1.4 机器学习

1.4.1 什么是机器学习

人工智能领域的先驱Arthur Samuel在1959年给出的机器学习定义是：不直接编程却能赋予计算机提高能力的方法。

机器学习是让机器学会算法的算法。机器学习算法则可以称作“元算法”，它指导机器自动学习出另一个算法，这个算法被用来解决实际问题。

1.4.2 模型

模型是对现实问题的数学抽象，由一个假设函数以及一系列参数构成。

假设需要预测中国人名对应的性别，假设中国人名由函数f(x)输出的符号决定，负数表示女性，非负数表示男性。

f(x) = w* x + b

w和b是函数的参数，而x是函数的自变量。

1.4.3 特征

特征指的是事物的特点转化的数值，比如牛的特征是4条腿、0双翅膀，而鸟的特征是2条腿、1双翅膀。

特征工程：如何挑选特征，如何设计特征模版。

1.4.4 数据集

如何让机器自动学习，以得到模型的参数呢？首先得有一本习题集。这本习题集在机器学习领域称作数据集，在自然语言处理领域称作语料库。

1.4.5 监督学习

如果习题集附带标准答案y,则此时的学习算法称作监督学习。这种在有标签的数据集上迭代学习的过程称为训练，训练用到的数据集称作训练集。

1.4.6 无监督学习

如果只给机器做题，不告诉它参考答案，此时的学习称作无监督学习。无监督学习一般用于聚类和降维，两者都不需要标注数据。

1.4.7 其他类型的机器学习算法

半监督学习：训练多个模型，然后对同一个实例进行预测，会得到多个结果。如果这些结果多数一致，则可以将该实例和结果放到一起作为新的训练样本，用来扩充数据集。

强化学习：一边预测，一边根据环境的反馈规划下次决策。

 

1.5 语料库

1.5.1 中文分词语料库

语料规范很难制定，规范很难执行。

1.5.2 词性标注语料库

1.5.3 命名实体识别语料库

1.5.4 句法分析语料库

1.5.5 文本分类语料库

1.5.6 语料库建设

 

1.6 开源工具

1.6.1 主流NLP工具比较

HanLP开发者写的书，你懂得，HanLP是发展最迅猛的！

1.6.2 Python接口

HanLP的安装:

pip install pyhanlp 

 

1.7 总结

本章给出了人工智能、机器学习与自然语言处理的宏观缩略图与发展时间线。在接下来的章节中，将由易到难去解决第一个NLP问题----中文分词。

 

写一下运行书上代码踩到的坑,试了好久终于跑通了。。。。

系统:win10,软件:Eclipse,java版本jdk1.8

/*
 * Han He
 * [email protected]
 * 2018-05-18 下午5:38
 *
 * 
 * Copyright (c) 2018, Han He. All Rights Reserved, http://www.hankcs.com/
 * This source is subject to Han He. Please contact Han He for more information.
 * 
 */
package com.hankcs.book.ch01;

import com.hankcs.hanlp.HanLP;

/**
 * 《自然语言处理入门》1.6 开源工具
 * 配套书籍：http://nlp.hankcs.com/book.php
 * 讨论答疑：https://bbs.hankcs.com/
 *
 * @author hankcs
 * @see 《自然语言处理入门》
 * @see 讨论答疑
 */
public class HelloWord
{
    public static void main(String[] args)
    {
        HanLP.Config.enableDebug();         // 首次运行会自动建立模型缓存，为了避免你等得无聊，开启调试模式说点什么:-)
        System.out.println(HanLP.segment("王国维和服务员"));
    }
}

　　

 

 

 在图灵社区下载的源码  https://www.ituring.com.cn/book/2706  

 

下载后解压，在Eclipse中创建项目，项目名称为nlp,找到项目目录，将解压出的 com 文件夹复制进src目录中，解压路径为

《自然语言处理入门》随书代码\hanlp-java\HanLP\src\main\java\com

 将解压出的data文件夹复制到与src的同级目录，解压路径为

《自然语言处理入门》随书代码\hanlp-java\HanLP\data

bin文件夹中放入hanlp.properties配置文件，下载地址:https://github.com/hankcs/HanLP，配置hanlp.properties第一行为data文件夹路径,不要写data

 

 

 

 

 

 

 

刷新项目，若出现中文乱码问题则右键项目，properties--resource--Text file encoding改为UTF-8，运行成功