中文自然语言处理工具介绍

自然语言处理是人工智能领域中的一个重要方向。它研究能人机之间通讯的方式,并涉及机器对人类知识体系的学习和应用.从分词,相似度计算,情感分析,文章摘要,到学习文献,知识推理,都涉及自然语言分析.下面介绍一些中文语言语义分析的资源.(以下只讨论能嵌入到我们程序里的资源)

1.同义词词林

《同义词词林》是80年代出版的一本词典,这提供了词的归类,相关性信息,起始主要用于翻译,哈工大对它进行了细化和扩充,出了《词林扩展版》,其中含有7万多词,17000多种语义,五层编码.12大类,94中类,1428小类,形如:

Aa01A01=人士人物人士人氏人选

每一个条目对应一种语义,根据分类编号:第一位大写表示大类,第二位小写表示中类…其中涉及了一词多义和一义多词.

《词林扩展版》网上的下载很多,大小不到1M,可以直接load到程序中,用于简单的分词,文章分类,模糊查找,统计,情感分析(不同感情色彩对应不同类别号)等等.

2.哈工大语言云(LTP)

中文的语义分析工具,大多数都像LTP这样,提供一个在线的分析器,一组API,比较简单稳定的功能.LTP是其中做得比较好的.

它提供了中文分词、词性标注、命名实体识别、依存句法分析、语义角色标注等等功能.但对于进一步语义方面的深入的开发,用处不大,而且需要连网使用,速度和处理数量上都有一些限制.

详见:http://www.ltp-cloud.com/demo

3.结巴分词

结巴是一个Python的中文分词组件.它提供了分词和词性标注功能.能在本地自由使用,是Python实现的,可以很好的和其它Python工具相结合,使用方法如下:

#encoding=utf-8

import jieba.posseg as pseg

import jieba

seg_list = jieba.cut("我爱北京天安门",cut_all=True)

print "Full Mode:", "/".join(seg_list)

words = pseg.cut("我爱北京天安门")

for w in words:

printw.word,w.flag

执行结果是:

Full Mode:我/爱/北京/天安/天安门

我r

爱v

北京ns

天安门ns

详见:http://www.oschina.net/p/jieba/

4.知网HowNet

对于语言的理解,人们更关注语义,即研究文字真正的含义是什么,并希望机器能像人脑一样把知识组织成体系.

中文语义库开放的资源非常少,《现代汉语语义词典》,《中文概念辞书》这些都是听说过没见过,总之人家是不开放.就算能去书店买一本,也用不到程序里.我在网上只找到了HowNet (可以在csdn下载,压缩包1.5M左右).形如:

NO.=069980

W_C=群众

G_C=N

E_C=

W_E=the masses

G_E=N

E_E=

DEF=human|人,mass|众

可以看到它包含:编号,中文词,对应英文词,词性,约12万多项.

HowNet在2013年后就不更新了,以上版本差不多是能在网上找到的比较全的数据了.它还提供了一些库,可用于判断相似度等.

详见:http://www.keenage.com/html/c_index.html

5.NLTK与WordNet (sentiwordnet)

WordNet是一个语义词典, NLTK是Python的一个自然语言处理工具,它提供了访问WordNet各种功能的函数。WordNet形如:

n0379051200motorcycle#1 bike#1 a motor vehicle with two wheels and a strong frame

其中含有词性,编号,语义,词汇间的关系(同义/反义,上行/下行,整体/部分…),大家都觉得"它很棒,只可惜没有中文支持".其实也不是没中文支持. WordNet有中文以及其它更多语言的支持,可以从以下网址下载:

http://globalwordnet.org/wordnets-in-the-world/

其中的数据文件形如:

03790512-ncmn:lemma摩托车

可以看到,它与sentiwordnet的词条编号一致,尽管对应可能不是特别完美,但理论上是:对英文能做的处理,对中文也能做.

NLTK+WordNet功能非常丰富,强烈推荐《PYTHON自然语言处理NLTK Natural Language

Processing with Python》这本书,它已由爱好者译成中文版,可从网上下载.里面不但讨论了具体的实现方法,还讨论了一些研究方向,比如"从自然语言到一阶逻辑"…

6.随想

对语言的处理,首先是分词,然后是消歧,判断词在句中的成份,识别语义.形成知识网络...希望最终机器能像人类一样,学习,思考和创造.

语言处理在不同的层次有不同的应用:从文章分类,内容提取,到自动诊断病情(IBM Watson),或者存在更通用的逻辑,使机器成为比搜索引擎更智能的各个行业的专家系统.

自然语言和语义看似多对多的关系,我觉得本质上语义转换成语言是从高维到低的投影.从词林的分类看,真正核心的概念并不太多,但是语义的关系和组合很复杂,再深层次还涉及知识线等等.而语言只是它的表象.在分析过程中,越拟合那表象,差得越多.

另外,这一领域已经有几十年的历史了,学习时尽可能利用现有工具,把精力集中在目标而非具体过程.多参考人家都实现了什么功能,人家的数据是怎么组织的.

你可能感兴趣的:(中文自然语言处理工具介绍)