Spacy的依存分析

 # Spacy 架构

  spaCy模块有4个非常重要的类：

• Doc：Doc对象由Tokenizer构造，然后由管道的组件进行适当的修改。doc对象是token的序列
• Span：Span对象是Doc对象的一个切片。
• Token：在自然语言处理中，把一个单词，一个标点符号，一个空格等叫做一个token。
• Vocab：存储词汇表和语言共享的数据。词汇表使用Lexeme对象和StringStore对象来表示。

Lexeme对象是词汇表Vocab中的一个词条（entry），可以通过similarity()函数计算两个词条的相似性；

StringStore类是一个string-to-int的对象，通过64位的哈希值来查找词汇，或者把词汇映射到64位的哈希值

spaCy 101: Everything you need to know · spaCy Usage Documentation

# Pipeline

    当你在一个文本上调用nlp时，spaCy首先将文本分词，生成一个Doc对象。然后，Doc会经过几个不同的步骤进行处理。Pipeline通常包括一个标记器（tagger）、一个词法器（lemmatizer）、一个解析器（parser）和一个实体识别器（entity recognizer）。每个流水线组件都会返回经过处理的Doc，然后将其传递给下一个组件。

spaCy 101: Everything you need to know · spaCy Usage Documentation

 找出活动的管道组件：

nlp.pipe_names

 禁用/添加管道组件：

nlp.disable_pipes('tagger', 'parser') # 禁用

nlp.add_pipe("parser") # 添加

• Pipeline组件列表 [链接]
• Pipeline组件的顺序重要吗？[链接]
• 分词器（tokenizer）为什么特殊？[链接]

    tokenizer 是一个 "特殊 "组件，并不是常规管道的一部分。它也不会出现在 nlp.pipe_names 中。原因是实际上只能有一个 tokenizer，而且其他管道组件都会接收一个 Doc 并返回它，而 tokenizer 会接收一串文本并将其变成一个 Doc。nlp.tokenizer 是可写的，所以你可以从头开始创建自己的 Tokenizer 类，甚至可以用一个完全自定义的函数来替换它。

# 模型

    上次使用spacy时，官网提供的中文模型有zh_core_web_sm、zh_core_web_md 和 zh_core_web_lg，现在发现又提供了一种 zh_core_web_trf  [下载链接]

    根据说明解释 trf 是larger and slower pipeline, but more accurate，而其余的是faster and smaller pipeline, but less accurate [来源]

注：模型和Spacy有版本对应要求，详情可以看Github下载链接里的说明

中文模型中，sm、md 和 lg 有2.3.0、2.3.1（要求spaCy >=2.3.0,<2.4.0）和 3.0.0版本（要求spaCy >=3.0.0,<3.1.0）；trf 目前仅有3.0.0版本（要求spaCy >=3.0.0,<3.1.0）

• 导入方式

# 方式一
import spacy
nlp = spacy.load("zh_core_web_sm")

# 方式二
import zh_core_web_sm
nlp = zh_core_web_sm.load()

• 模型的选用

    根据自己的需求进行分析、比较，比如我发现使用zh_core_web_sm有时候会出现同一句式分析出的结果不一致，而zh_core_web_md、zh_core_web_trf出来的结果一致：

• 模型安装问题    

    zh_core_web_trf 导入时报错：

Config validation error: batch_size  field required

    找到C:\Anaconda3\Lib\site-packages\zh_core_web_trf\zh_core_web_trf-3.0.0a0下的config.cfg 添加

[nlp]
lang = "zh"
pipeline = ["transformer","tagger","parser","ner","attribute_ruler"]
disabled = []
before_creation = null
after_creation = null
after_pipeline_creation = null
batch_size = 64

    导入时又报错（这个问题后来卸载重新安装zh_core_web_trf 就解决了

FileNotFoundError: [Errno 2] No such file or directory: 'C:\\Anaconda3\\lib\\site-packages\\zh_core_web_trf-3.0.0a0-py3.7.egg\\zh_core_web_trf\\zh_core_web_trf-3.0.0a0\\tokenizer\\pkuseg_model\\unigram_word.txt'

pip install zh_core_web_trf-3.0.0a0.tar.gz

# 分词器

    In v3.0, the default word segmenter has switched from Jieba to character segmentation  

    在v3.0中，默认的分词器已从Jieba切换到char。[来源]

    打开python虚拟环境下的模型包 spacy\data\zh_core_web_sm\zh_core_web_sm-2.3.0\tokenizer 下的 cfg，里面的配置如下：

{
  "use_jieba":false,
  "use_pkuseg":true,
  "require_pkuseg":true
}

    当我修改成使用jieba后，发现确实分词不同了。奇怪的是，之前默认使用的pkuseg为什么会在控制台显示加载jieba词表

# 标注附录

• ① POS 附录、POS扩展附录 [翻译]（pos_属性公开基于Google Universal POS Tag set，spaCy扩展了列表

 从spaCy的parts of speech模块中看到，它扩展了这个模式，增加了三个额外的POS常量，EOL、NO_TAG（错误代码，如：未安装该语言模型）和SPACE，它们不是Universal POS Tag集的一部分 [来源]

DET(冠词)、ADJ(形容词)、NOUN(名词)、VERB(动词)、PUNCT(标点)...

• ② TAG 附录
• ③ DEP 附录 [翻译]  [Universal Dependency Relations]

det (限定词) 、amod (形容词修饰) 、nsubj(名词主语)、ROOT(根节点)、attr(属性) 、punct(标点)   ...

依存标记ROOT表示句子中的主要动词或动作。其他词与句子的词根有直接或间接的联系

• pos和tag有什么区别？

    .pos_和.tag_方法访问粗粒度和细粒度POS标签，tag是更细分的pos [来源]。在官网上只找到说pos属性基于Google Universal POS Tag set，但没有给出tag的标注介绍，从网上找到的是这个spacy TAG 附录

w Linguistic Features · spaCy Usage Documentation

Data formats · spaCy API Documentation

    在模型的说明中，介绍了该模型含哪些词性、依存标注

Chinese · spaCy Models Documentation

     标注的解释可以使用 spacy.explain() ，但我发现很多都返回None

doc = nlp('猴子喜欢香蕉')
for token in doc:
    print(token.dep_, spacy.explain(token.dep_)) # 解释标注

# 操作

    相比之前学习的其他依存分析工具，Spacy接口调用的API更为丰富、方便

# -*- coding:utf8 -*-
import spacy

nlp = spacy.load('zh_core_web_sm')

doc = nlp('猴子喜欢香蕉')
for token in doc:
    print("{0}/{1} <--{2}-- {3}/{4}".format(
            token.text, token.tag_, token.dep_, token.head.text, token.head.tag_))

>>> 猴子/NN <--nsubj-- 喜欢/VV
>>> 喜欢/VV <--ROOT-- 喜欢/VV
>>> 香蕉/NN <--dobj-- 喜欢/VV

    token 的 属性查询：Token · spaCy API Documentation

    可以获取token相邻的词：Token · spaCy API Documentation

    token的children节点：Token · spaCy API Documentation （可以找到以该token为head的dependent词

# 可视化

    1）依存树

• 网址

      displaCy Dependency Visualizer · Explosion

• 代码

from spacy import displacy
txt = '''In particle physics, a magnetic monopole is a hypothetical elementary particle.'''
displacy.render(nlp(txt), style='dep', jupyter=True, options = {'distance': 90})

    2）命名实体识别

• 网址

      displaCy Named Entity Visualizer · Explosion

• 代码

from spacy import displacy
displacy.render(doc, style='ent', jupyter=True)

# 工具学习系列

• 哈工大LTP的依存分析
• 百度DDParser的依存分析
• HanLP的依存分析

• Spacy的依存分析

	词性标注集pos/tag	依存句法分析标注集dep	语义依存分析标注集sdp
LTP	863词性标注集	BH-DEP	BH-SDP
SpaCy	基于Google Universal POS Tag set扩展	采用了 ClearNLP 的依存分析标签	-
DDParser	百度构建的标注集	DuCTB	-
HanLP	CTB、PKU、863、UD	SD、UD	SemEval16、DM、PAS、PSD
stanford corenlp	Penn Chinese Treebank Tag Set（CTB）	没找到说明采用的标注集 [链接]	-
jieba	和 ictclas 兼容的标记法	不支持	不支持

# 案例

    ⭐基于 SpaCy 和 Networkx 的依存树和最短依存路径分析

    Python NLP教程：使用Python和SpaCy构建知识图

    python从零开始构建知识图谱

    python从零开始构建知识图谱笔记

    从头搭建问答（QA）系统

# 参考

    spaCy教程学习（① spaCy的统计模型和处理管道  ② 基于规则的spaCy匹配

    NLP：spaCy笔记 （① spacy原理 ② WordNet

    python spacy（①$. 和 }.中的句点不能被正确识别为句子的结尾 ② 知识提取（有点像阅读理解）  ③ 提取名词短语（中文不行？）

    英文文本处理与spaCy （① 断句 ② POS词性标注编码和含义 ③ 词向量使用和文本相似度

    自然语言处理的基本概念--结合spacy软件的学习（① spacy.explain("对应属性名称")来查找对应的属性含义 ② 模板匹配（例子比较多）

    自然语言处理就这么简单有趣（spacy功能

---