Python自然语言处理 NLTK 库用法入门教程

举报
DrugAI 发表于 2021/07/15 03:04:33 2021/07/15
【摘要】                                                       ...

                                                           NLP (Natural Language Processing):自然语言处理

那么 NLP 到底是什么?学习 NLP 能带来什么好处?

简单的说,自然语言处理( NLP )就是开发能够理解人类语言的应用程序和服务。

我们生活中经常会接触的自然语言处理的应用,包括语音识别,语音翻译,理解句意,理解特定词语的同义词,以及写出语法正确,句意通畅的句子和段落。

NLP的作用

正如大家所知,每天博客,社交网站和网页会产生数亿字节的海量数据。

有很多公司热衷收集所有这些数据,以便更好地了解他们的用户和用户对产品的热情,并对他们的产品或者服务进行合适的调整。

这些海量数据可以揭示很多现象,打个比方说,巴西人对产品 A 感到满意,而美国人却对产品 B 更感兴趣。通过NLP,这类的信息可以即时获得(即实时结果)。例如,搜索引擎正是一种 NLP,可以在正确的时间给合适的人提供适当的结果。

但是搜索引擎并不是自然语言处理(NLP)的唯一应用。还有更好更加精彩的应用。

NLP的应用

以下都是自然语言处理(NLP)的一些成功应用:

  • 搜索引擎,比如谷歌,雅虎等等。谷歌等搜索引擎会通过NLP了解到你是一个科技发烧友,所以它会返回科技相关的结果。
  • 社交网站信息流,比如 Facebook 的信息流。新闻馈送算法通过自然语言处理了解到你的兴趣,并向你展示相关的广告以及消息,而不是一些无关的信息。
  • 语音助手,诸如苹果 Siri。
  • 垃圾邮件程序,比如 Google 的垃圾邮件过滤程序 ,这不仅仅是通常会用到的普通的垃圾邮件过滤,现在,垃圾邮件过滤器会对电子邮件的内容进行分析,看看该邮件是否是垃圾邮件。

NLP库

现在有许多开源的自然语言处理(NLP)库。比如:

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

自然语言工具包(NLTK)是最受欢迎的自然语言处理(NLP)库。它是用 Python 语言编写的,背后有强大的社区支持。

NLTK 也很容易入门,实际上,它将是你用到的最简单的自然语言处理(NLP)库。

安装 NLTK

如果你使用的是 Windows , Linux 或 Mac,你可以 使用PIP 安装NLTK:

pip install nltk
 

要检查 NLTK 是否正确地安装完成,可以打开你的Python终端并输入以下内容:Import nltk。如果一切顺利,这意味着你已经成功安装了 NLTK 库。

安装了 NLTK,你可以运行下面的代码来安装 NLTK 包:


  
  1. import nltk
  2. nltk.download()

这将打开 NLTK 下载器来选择需要安装的软件包。

使用 NLTK 删除停止词

NLTK 具有大多数语言的停止词表。要获得英文停止词,你可以使用以下代码:


  
  1. from nltk.corpus import stopwords
  2. stopwords.words('english')

使用 NLTK 对文本分词

刚刚了解了如何使用 split( ) 函数将文本分割为标记 。现在,我们将看到如何使用 NLTK 对文本进行标记化。对文本进行标记化是很重要的,因为文本无法在没有进行标记化的情况下被处理。标记化意味着将较大的部分分隔成更小的单元。

你可以将段落分割为句子,并根据你的需要将句子分割为单词。NLTK 具有内置的句子标记器和词语标记器。

假设我们有如下的示例文本:

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

为了将这个文本标记化为句子,我们可以使用句子标记器:


  
  1. from nltk.tokenize import sent_tokenize
  2. mytext = "Hello Adam, how are you? I hope everything is going well. Today is a good day, see you dude."
  3. print(sent_tokenize(mytext)

输出如下:

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

你可能会说,这是一件容易的事情。我不需要使用 NLTK 标记器,并且我可以使用正则表达式来分割句子,因为每个句子前后都有标点符号或者空格。

那么,看看下面的文字:

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

Mr. 是一个词,虽然带有一个符号。让我们来试试使用 NLTK 进行分词:


  
  1. from nltk.tokenize import sent_tokenize
  2. mytext = "Hello Mr. Adam, how are you? I hope everything is going well. Today is a good day, see you dude."
  3. print(sent_tokenize(mytext))

输出如下所示:

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

Great!结果棒极了。然后我们尝试使用词语标记器来看看它是如何工作的:


  
  1. from nltk.tokenize import word_tokenize
  2. mytext = "Hello Mr. Adam, how are you? I hope everything is going well. Today is a good day, see you dude."
  3. print(word_tokenize(mytext))

输出如下:

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

正如所料,Mr. 是一个词,也确实被 NLTK 当做一个词。NLTK使用 nltk.tokenize.punkt module 中的  PunktSentenceTokenizer 进行文本分词。这个标记器经过了良好的训练,可以对多种语言进行分词 。

标记非英语语言文本

为了标记其他语言,可以像这样指定语言:


  
  1. from nltk.tokenize import sent_tokenize
  2. mytext = "Bonjour M. Adam, comment allez-vous? J'espère que tout va bien. Aujourd'hui est un bon jour."
  3. print(sent_tokenize(mytext,"french"))

结果将是这样的:

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

NLTk 对其他非英语语言的支持也非常好!

从 WordNet 获取同义词

如果你还记得我们使用 nltk.download( ) 安装 NLTK 的扩展包时。其中一个扩展包名为 WordNet。WordNet 是为自然语言处理构建的数据库。它包括部分词语的一个同义词组和一个简短的定义。

通过 NLTK 你可以得到给定词的定义和例句:


  
  1. from nltk.corpus import wordnet
  2. syn = wordnet.synsets("pain")
  3. print(syn[0].definition())
  4. print(syn[0].examples())

结果是:

a symptom of some physical hurt or disorder
['the patient developed severe pain and distension']

WordNet 包含了很多词的定义:


  
  1. from nltk.corpus import wordnet
  2. syn = wordnet.synsets("NLP")
  3. print(syn[0].definition())
  4. syn = wordnet.synsets("Python")
  5. print(syn[0].definition())

结果是:

the branch of information science that deals with natural language information
large Old World boas

您可以使用 WordNet 来获得同义词:


  
  1. from nltk.corpus import wordnet
  2. synonyms = []
  3. for syn in wordnet.synsets('Computer'):
  4. for lemma in syn.lemmas():
  5. synonyms.append(lemma.name())
  6. print(synonyms)

输出是:

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

Cool!

从 WordNet 获取反义词

你可以用同样的方法得到单词的反义词。你唯一要做的是在将 lemmas 的结果加入数组之前,检查结果是否确实是一个正确的反义词。


  
  1. from nltk.corpus import wordnet
  2. antonyms = []
  3. for syn in wordnet.synsets("small"):
  4. for l in syn.lemmas():
  5. if l.antonyms():
  6. antonyms.append(l.antonyms()[0].name())
  7. print(antonyms)

输出是:

['large', 'big', 'big']

这就是 NLTK 在自然语言处理中的力量。

NLTK词干提取

单词词干提取就是从单词中去除词缀并返回词根。(比方说 working 的词干是 work。)搜索引擎在索引页面的时候使用这种技术,所以很多人通过同一个单词的不同形式进行搜索,返回的都是相同的,有关这个词干的页面。

词干提取的算法有很多,但最常用的算法是 Porter 提取算法。NLTK 有一个 PorterStemmer 类,使用的就是 Porter 提取算法。


  
  1. from nltk.stem import PorterStemmer
  2. stemmer = PorterStemmer()
  3. print(stemmer.stem('working'))

结果是: 

work

结果很清楚。

还有其他一些提取算法,如 Lancaster 提取算法。这个算法的输出同 Porter 算法的结果在几个单词上不同。你可以尝试他们两个算法来查看有哪些不同结果。

使用 WordNet 引入词汇

词汇的词汇化与提取词干类似,但不同之处在于词汇化的结果是一个真正的词汇。与词干提取不同,当你试图提取一些词干时,有可能会导致这样的情况:


  
  1. from nltk.stem import PorterStemmer
  2. stemmer = PorterStemmer()
  3. print(stemmer.stem('increases'))

结果是:

increas

现在,如果我们试图用NLTK WordNet来还原同一个词,结果会是正确的:


  
  1. from nltk.stem import WordNetLemmatizer
  2. lemmatizer = WordNetLemmatizer()
  3. print(lemmatizer.lemmatize('increases'))

结果是:

 increase

结果可能是同义词或具有相同含义的不同词语。有时,如果你试图还原一个词,比如 playing,还原的结果还是 playing。这是因为默认还原的结果是名词,如果你想得到动词,可以通过以下的方式指定。


  
  1. from nltk.stem import WordNetLemmatizer
  2. lemmatizer = WordNetLemmatizer()
  3. print(lemmatizer.lemmatize('playing', pos="v"))

结果是: 

play

实际上,这是一个非常好的文本压缩水平。最终压缩到原文本的 50% 到 60% 左右。结果可能是动词,名词,形容词或副词:


  
  1. from nltk.stem import WordNetLemmatizer
  2. lemmatizer = WordNetLemmatizer()
  3. print(lemmatizer.lemmatize('playing', pos="v"))
  4. print(lemmatizer.lemmatize('playing', pos="n"))
  5. print(lemmatizer.lemmatize('playing', pos="a"))
  6. print(lemmatizer.lemmatize('playing', pos="r"))

结果是:

play
playing
playing
playing

词干化和词化差异

好吧,让我们分别尝试一些单词的词干提取和词形还原:


  
  1. from nltk.stem import WordNetLemmatizer
  2. from nltk.stem import PorterStemmer
  3. stemmer = PorterStemmer()
  4. lemmatizer = WordNetLemmatizer()
  5. print(stemmer.stem('stones'))
  6. print(stemmer.stem('speaking'))
  7. print(stemmer.stem('bedroom'))
  8. print(stemmer.stem('jokes'))
  9. print(stemmer.stem('lisa'))
  10. print(stemmer.stem('purple'))
  11. print('----------------------')
  12. print(lemmatizer.lemmatize('stones'))
  13. print(lemmatizer.lemmatize('speaking'))
  14. print(lemmatizer.lemmatize('bedroom'))
  15. print(lemmatizer.lemmatize('jokes'))
  16. print(lemmatizer.lemmatize('lisa'))
  17. print(lemmatizer.lemmatize('purple'))

结果是:

stone
speak
bedroom
joke
lisa
purpl
----------------------
stone
speaking
bedroom
joke
lisa
purple

词干提取的方法可以在不知道语境的情况下对词汇使用,这就是为什么它相较词形还原方法速度更快但准确率更低。

 

文章来源: drugai.blog.csdn.net,作者:DrugAI,版权归原作者所有,如需转载,请联系作者。

原文链接:drugai.blog.csdn.net/article/details/102958495

【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

举报
请填写举报理由
0/200