用python实现入门级NLP

本文简要介绍Python自然语言处理(NLP),使用Python的NLTK库。NLTK是Python的自然语言处理工具包,在NLP领域中,最常使用的一个Python库。

什么是NLP?

简单来说,自然语言处理(NLP)就是开发能够理解人类语言的应用程序或服务。

这里讨论一些自然语言处理(NLP)的实际应用例子,如语音识别、语音翻译、理解完整的句子、理解匹配词的同义词,以及生成语法正确完整句子和段落。

这并不是NLP能做的所有事情。

NLP实现

搜索引擎: 比如谷歌,Yahoo等。谷歌搜索引擎知道你是一个技术人员,所以它显示与技术相关的结果;

社交网站推送:比如Facebook News Feed。如果News Feed算法知道你的兴趣是自然语言处理,就会显示相关的广告和帖子。

语音引擎:比如Apple的Siri。

垃圾邮件过滤:如谷歌垃圾邮件过滤器。和普通垃圾邮件过滤不同,它通过了解邮件内容里面的的深层意义,来判断是不是垃圾邮件。

NLP库

下面是一些开源的自然语言处理库(NLP):

  • Natural language toolkit (NLTK);
  • Apache OpenNLP;
  • Stanford NLP suite;
  • Gate NLP library

其中自然语言工具包(NLTK)是最受欢迎的自然语言处理库(NLP),它是用Python编写的,而且背后有非常强大的社区支持。

NLTK也很容易上手,实际上,它是最简单的自然语言处理(NLP)库。

在这个NLP教程中,我们将使用Python NLTK库。

安装 NLTK

如果您使用的是Windows/Linux/Mac,您可以使用pip安装NLTK:

1

pip install nltk

  

打开python终端导入NLTK检查NLTK是否正确安装:

1

import nltk

如果一切顺利,这意味着您已经成功地安装了NLTK库。首次安装了NLTK,需要通过运行以下代码来安装NLTK扩展包:

1

2

3

import nltk

  

nltk.download()

这将弹出NLTK 下载窗口来选择需要安装哪些包:

您可以安装所有的包,因为它们的大小都很小,所以没有什么问题。

使用Python Tokenize文本

首先,我们将抓取一个web页面内容,然后分析文本了解页面的内容。

我们将使用urllib模块来抓取web页面:

1

2

3

4

5

import urllib.request

  

response = urllib.request.urlopen('http://php.net/')

html = response.read()

print (html)

从打印结果中可以看到,结果包含许多需要清理的HTML标签。
然后BeautifulSoup模块来清洗这样的文字:

1

2

3

4

5

6

7

8

9

from bs4 import BeautifulSoup

  

import urllib.request

response = urllib.request.urlopen('http://php.net/')

html = response.read()

soup = BeautifulSoup(html,"html5lib")

# 这需要安装html5lib模块

text = soup.get_text(strip=True)

print (text)

  

现在我们从抓取的网页中得到了一个干净的文本。
下一步,将文本转换为tokens,像这样:

1

2

3

4

5

6

7

8

9

from bs4 import BeautifulSoup

import urllib.request

  

response = urllib.request.urlopen('http://php.net/')

html = response.read()

soup = BeautifulSoup(html,"html5lib")

text = soup.get_text(strip=True)

tokens = text.split()

print (tokens)

统计词频

text已经处理完毕了,现在使用Python NLTK统计token的频率分布。

可以通过调用NLTK中的FreqDist()方法实现:

1

2

3

4

5

6

7

8

9

10

11

12

from bs4 import BeautifulSoup

import urllib.request

import nltk

  

response = urllib.request.urlopen('http://php.net/')

html = response.read()

soup = BeautifulSoup(html,"html5lib")

text = soup.get_text(strip=True)

tokens = text.split()

freq = nltk.FreqDist(tokens)

for key,val in freq.items():

    print (str(key) + ':' + str(val))

如果搜索输出结果,可以发现最常见的token是PHP。
您可以调用plot函数做出频率分布图:

1

2

freq.plot(20, cumulative=False)

# 需要安装matplotlib库

这上面这些单词。比如of,a,an等等,这些词都属于停用词。

一般来说,停用词应该删除,防止它们影响分析结果。

处理停用词

NLTK自带了许多种语言的停用词列表,如果你获取英文停用词:

1

2

3

from nltk.corpus import stopwords

  

stopwords.words('english')

  

现在,修改下代码,在绘图之前清除一些无效的token:

1

2

3

4

5

clean_tokens = list()

sr = stopwords.words('english')

for token in tokens:

    if token not in sr:

        clean_tokens.append(token)

 

最终的代码应该是这样的:

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

from bs4 import BeautifulSoup

import urllib.request

import nltk

from nltk.corpus import stopwords

  

response = urllib.request.urlopen('http://php.net/')

html = response.read()

soup = BeautifulSoup(html,"html5lib")

text = soup.get_text(strip=True)

tokens = text.split()

clean_tokens = list()

sr = stopwords.words('english')

for token in tokens:

    if not token in sr:

        clean_tokens.append(token)

freq = nltk.FreqDist(clean_tokens)

for key,val in freq.items():

    print (str(key) + ':' + str(val))

现在再做一次词频统计图,效果会比之前好些,因为剔除了停用词:

1

freq.plot(20,cumulative=False)

使用NLTK Tokenize文本

在之前我们用split方法将文本分割成tokens,现在我们使用NLTK来Tokenize文本。

文本没有Tokenize之前是无法处理的,所以对文本进行Tokenize非常重要的。token化过程意味着将大的部件分割为小部件。

你可以将段落tokenize成句子,将句子tokenize成单个词,NLTK分别提供了句子tokenizer和单词tokenizer。

假如有这样这段文本:

1

Hello Adam, how are you? I hope everything is going well. Today is a good day, see you dude.

  

使用句子tokenizer将文本tokenize成句子:

1

2

3

4

from nltk.tokenize import sent_tokenize

  

mytext = "Hello Adam, how are you? I hope everything is going well. Today is a good day, see you dude."

print(sent_tokenize(mytext))

  

输出如下:

1

['Hello Adam, how are you?''I hope everything is going well.''Today is a good day, see you dude.']

这是你可能会想,这也太简单了,不需要使用NLTK的tokenizer都可以,直接使用正则表达式来拆分句子就行,因为每个句子都有标点和空格。

那么再来看下面的文本:

1

Hello Mr. Adam, how are you? I hope everything is going well. Today is a good day, see you dude.

1

这样如果使用标点符号拆分,Hello Mr将会被认为是一个句子,如果使用NLTK:

1

2

3

4

from nltk.tokenize import sent_tokenize

  

mytext = "Hello Mr. Adam, how are you? I hope everything is going well. Today is a good day, see you dude."

print(sent_tokenize(mytext))

输出如下:

1

['Hello Mr. Adam, how are you?''I hope everything is going well.''Today is a good day, see you dude.']

 

这才是正确的拆分。

接下来试试单词tokenizer:

1

2

3

4

from nltk.tokenize import word_tokenize

  

mytext = "Hello Mr. Adam, how are you? I hope everything is going well. Today is a good day, see you dude."

print(word_tokenize(mytext))

输出如下:

1

['Hello''Mr.''Adam'',''how''are''you''?''I''hope''everything''is''going''well''.''Today''is''a''good''day'',''see''you''dude''.']

Mr.这个词也没有被分开。NLTK使用的是punkt模块的PunktSentenceTokenizer,它是NLTK.tokenize的一部分。而且这个tokenizer经过训练,可以适用于多种语言。

非英文Tokenize

Tokenize时可以指定语言:

1

2

3

4

from nltk.tokenize import sent_tokenize

  

mytext = "Bonjour M. Adam, comment allez-vous? J'espère que tout va bien. Aujourd'hui est un bon jour."

print(sent_tokenize(mytext,"french"))

  

输出结果如下:

1

['Bonjour M. Adam, comment allez-vous?'"J'espère que tout va bien.""Aujourd'hui est un bon jour."]

同义词处理

使用nltk.download()安装界面,其中一个包是WordNet。

WordNet是一个为自然语言处理而建立的数据库。它包括一些同义词组和一些简短的定义。

您可以这样获取某个给定单词的定义和示例:

1

2

3

4

5

from nltk.corpus import wordnet

  

syn = wordnet.synsets("pain")

print(syn[0].definition())

print(syn[0].examples())

 

输出结果是:

1

2

a symptom of some physical hurt or disorder

['the patient developed severe pain and distension']

WordNet包含了很多定义:

1

2

3

4

5

6

from nltk.corpus import wordnet

  

syn = wordnet.synsets("NLP")

print(syn[0].definition())

syn = wordnet.synsets("Python")

print(syn[0].definition())

结果如下:

1

2

the branch of information science that deals with natural language information

large Old World boas

 

可以像这样使用WordNet来获取同义词:

1

2

3

4

5

6

7

from nltk.corpus import wordnet

  

synonyms = []

for syn in wordnet.synsets('Computer'):

    for lemma in syn.lemmas():

        synonyms.append(lemma.name())

print(synonyms)

输出:

1

['computer''computing_machine''computing_device''data_processor''electronic_computer''information_processing_system''calculator''reckoner''figurer''estimator''computer']

  

反义词处理

也可以用同样的方法得到反义词:

1

2

3

4

5

6

7

8

from nltk.corpus import wordnet

  

antonyms = []

for syn in wordnet.synsets("small"):

    for in syn.lemmas():

        if l.antonyms():

            antonyms.append(l.antonyms()[0].name())

print(antonyms)

  

输出:

1

['large''big''big']

 

词干提取

语言形态学和信息检索里,词干提取是去除词缀得到词根的过程,例如working的词干为work。

搜索引擎在索引页面时就会使用这种技术,所以很多人为相同的单词写出不同的版本。

有很多种算法可以避免这种情况,最常见的是波特词干算法。NLTK有一个名为PorterStemmer的类,就是这个算法的实现:

1

2

3

4

5

from nltk.stem import PorterStemmer

  

stemmer = PorterStemmer()

print(stemmer.stem('working'))

print(stemmer.stem('worked'))

输出结果是:

1

2

work

work

  

还有其他的一些词干提取算法,比如 Lancaster词干算法

非英文词干提取

除了英文之外,SnowballStemmer还支持13种语言。

支持的语言:

1

2

3

from nltk.stem import SnowballStemmer

  

print(SnowballStemmer.languages)

  

输出结果是:

1

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

  

你可以使用SnowballStemmer类的stem函数来提取像这样的非英文单词:

1

2

3

4

5

from nltk.stem import SnowballStemmer

  

french_stemmer = SnowballStemmer('french')

  

print(french_stemmer.stem("French word"))

  

单词变体还原

单词变体还原类似于词干,但不同的是,变体还原的结果是一个真实的单词。不同于词干,当你试图提取某些词时,它会产生类似的词:

1

2

3

4

5

from nltk.stem import PorterStemmer

  

stemmer = PorterStemmer()

  

print(stemmer.stem('increases'))

 

结果:

1

increas

  

现在,如果用NLTK的WordNet来对同一个单词进行变体还原,才是正确的结果:

1

2

3

4

5

from nltk.stem import WordNetLemmatizer

  

lemmatizer = WordNetLemmatizer()

  

print(lemmatizer.lemmatize('increases'))

结果:

1

increase

  

结果可能会是一个同义词或同一个意思的不同单词。

有时候将一个单词做变体还原时,总是得到相同的词。

这是因为语言的默认部分是名词。要得到动词,可以这样指定:

1

2

3

4

5

from nltk.stem import WordNetLemmatizer

  

lemmatizer = WordNetLemmatizer()

  

print(lemmatizer.lemmatize('playing', pos="v"))

  

结果:

1

play

  

实际上,这也是一种很好的文本压缩方式,最终得到文本只有原先的50%到60%。

结果还可以是动词(v)、名词(n)、形容词(a)或副词(r):

1

2

3

4

5

6

7

from nltk.stem import WordNetLemmatizer

  

lemmatizer = WordNetLemmatizer()

print(lemmatizer.lemmatize('playing', pos="v"))

print(lemmatizer.lemmatize('playing', pos="n"))

print(lemmatizer.lemmatize('playing', pos="a"))

print(lemmatizer.lemmatize('playing', pos="r"))

  

输出:

1

2

3

4

play

playing

playing

playing

  

词干和变体的区别

通过下面例子来观察:

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

from nltk.stem import WordNetLemmatizer

from nltk.stem import PorterStemmer

  

stemmer = PorterStemmer()

lemmatizer = WordNetLemmatizer()

print(stemmer.stem('stones'))

print(stemmer.stem('speaking'))

print(stemmer.stem('bedroom'))

print(stemmer.stem('jokes'))

print(stemmer.stem('lisa'))

print(stemmer.stem('purple'))

print('----------------------')

print(lemmatizer.lemmatize('stones'))

print(lemmatizer.lemmatize('speaking'))

print(lemmatizer.lemmatize('bedroom'))

print(lemmatizer.lemmatize('jokes'))

print(lemmatizer.lemmatize('lisa'))

print(lemmatizer.lemmatize('purple'))

  

输出:

1

2

3

4

5

6

7

8

9

10

11

12

13

stone

speak

bedroom

joke

lisa

purpl

---------------------

stone

speaking

bedroom

joke

lisa

purple

  

词干提取不会考虑语境,这也是为什么词干提取比变体还原快且准确度低的原因。

个人认为,变体还原比词干提取更好。单词变体还原返回一个真实的单词,即使它不是同一个单词,也是同义词,但至少它是一个真实存在的单词。

如果你只关心速度,不在意准确度,这时你可以选用词干提取。

在此NLP教程中讨论的所有步骤都只是文本预处理。在以后的文章中,将会使用Python NLTK来实现文本分析。

我已经尽量使文章通俗易懂。希望能对你有所帮助。

你可能感兴趣的:(python,开发语言,pycharm,数据库)