OpenNLP-Tokenizer

第三章 Tokenizer

Tokenization

OpenNLP Tokenizers分割一个输入字符序列为tokens。Tokens通常是一个单词，标点符号，数字等等。

Pierre Vinken, 61 years old, will join the board as a nonexecutive director Nov. 29.
Mr. Vinken is chairman of Elsevier N.V., the Dutch publishing group.
Rudolph Agnew, 55 years old and former chairman of Consolidated Gold Fields
    PLC, was named a director of this British industrial conglomerate.

The following result shows the individual tokens in a whitespace separated representation.

Pierre Vinken , 61 years old , will join the board as a nonexecutive director Nov. 29 .
Mr. Vinken is chairman of Elsevier N.V. , the Dutch publishing group .
Rudolph Agnew , 55 years old and former chairman of Consolidated Gold Fields PLC ,
    was named a nonexecutive director of this British industrial conglomerate . 
A form of asbestos once used to make Kent cigarette filters has caused a high
    percentage of cancer deaths among a group of workers exposed to it more than 30 years ago ,
    researchers reported . 

OpenNLP提供了多个Tokenizer实现：

• Whitespace Tokenizer - 一个空格Tokenizer，没有空格的序列被识别为tokens
• Simple Tokenizer - 一个字符类的Tokenizer ，相同字符类的序列为tokens
• Learnable Tokenizer - 一个最大熵Tokenizer，基于概率模型检测token边界

大多数词性标注（part-of-speech taggings），句法分析（parsers）等，以这种方式使用文本tokenized工作。确保你的tokenizer产生期望的tokens类型，使用later文本处理组件是非常重要的。

使用OpenNLP（和其他许多系统），tokenization是一个两个阶段的处理：首先，识别句子边界，然后识别其中每一个句子的tokens。

Tokenizer Tools

Tokenizer API

Tokenizers可以通过它定义的API集成到一个应用程序。WhitespaceTokenizer的共享示例可以通过静态字段WhitespaceTokenizer.INSTANCE得到。SimpleTokenizer的共享实例可以使用同样的方式从SimpleTokenizer.INSTANCE得到。在实例化TokenizerME（learnable Tokenizer）前，必须先创建一个Token模型。下面的代码示例展示了怎样加载一个模型。

InputStream modelIn = new FileInputStream("en-token.bin");

try {
  TokenizerModel model = new TokenizerModel(modelIn);
}
catch (IOException e) {
  e.printStackTrace();
}
finally {
  if (modelIn != null) {
    try {
      modelIn.close();
    }
    catch (IOException e) {
    }
  }
}

在模型加载后，可以实例化TokenizerME。

Tokenizer tokenizer = new TokenizerME(model);

Tokenizer提供两个Tokenize方法，两个方法都期望一个包含未被Tokenized的文本的输入String对象。如果可能最好是一个句子，但是取决于learnable Tokenizer的训练，这不是必须的。第一个返回一个String数组，数组中每一个String是一个token。

String tokens[] = tokenizer.tokenize("An input sample sentence.");

输出是一个包含这些tokens的数组。

"An", "input", "sample", "sentence", "."

第二个方法，TokenizePos方法返回一个Span数组，每一个Span包含这个输入String的tokens的开始和结束字符偏移量。

Span tokenSpans[] = tokenizer.tokenizePos("An input sample sentence."); 

这个tokenSpans数组有5个元素。调用Span.getCoveredText得到一个span的文本，它得到一个Span和输入的文本。TokenizerME可以输出被检测的tokens的概率。getTokenProbabilities 方法必须立即调用，在tokenize的方法被调用之后。

TokenizerME tokenizer = ...

String tokens[] = tokenizer.tokenize(...);
double tokenProbs[] = tokenizer.getTokenProbabilities();

tokenProbs 数组的每一个token在线包括一个double值，这个值大小从0到1,1是最大的可能的概率，0是最小的可能的概率值。

Tokenizer Training

Training Tool

Training API

Tokenizer提供了API来训练新的tokenization模型。训练需要三个基本步骤：

• 应用程序必须打开一个示例数据流
• 调用TokenizerME.train方法
• 保存TokenizerModel到一个文件或者直接使用它

下面的示例代码解释了这三步：

Charset charset = Charset.forName("UTF-8");
ObjectStream<String> lineStream = new PlainTextByLineStream(new FileInputStream("en-sent.train"),
    charset);
ObjectStream<TokenSample> sampleStream = new TokenSampleStream(lineStream);

TokenizerModel model;

try {
  model = TokenizerME.train("en", sampleStream, true, TrainingParameters.defaultParams());
}
finally {
  sampleStream.close();
}

OutputStream modelOut = null;
try {
  modelOut = new BufferedOutputStream(new FileOutputStream(modelFile));
  model.serialize(modelOut);
} finally {
  if (modelOut != null)
     modelOut.close();
}

Detokening

Detokenizing API

Detokenizer Dictionary