堪称自然语言处理（NLP）的入门经典，也许被你擦肩而过了

人邮异步社区

于 2020-04-29 07:20:40 发布

阅读量2k

点赞数 2

文章标签： NLP 自然语言处理 python

本文链接：https://blog.csdn.net/epubit17/article/details/105831020

版权

今天给大家推荐一本自然语言处理的经典入门书，几天前小编就想到这本书《Python自然语言处理》，自然语言处理入门或自学都很合适，堪称NLP的入门经典书。豆瓣评分：8.2。

来自豆瓣截图

本书基于Python编程语言及名为自然语言工具包（Natural Language Toolkit， NLTK）的开源库。NLTK包含大量的软件、数据和文档，所有这些都可以从http://www.nltk.org/上免费下载。NLTK的发行版本支持Windows、Macintosh和UNIX平台。强烈建议你下载Python和NLTk，与我们一起尝试书中的例子和练习。

读者评论这本书

不管你的编程经验如何？初学编程？

初学编程？

配图来自百度

本书的前几章适合没有编程经验的读者，只要你不怕应对新概念和学习新的计算机技能。书中的例子和数以百计的分级练习，你都可以亲自尝试一下。如果你需要关于Python的更一般的介绍，http://docs.python.org/给出了Python资源列表。

初学Python？

配图来自百度

有经验的程序员可以很快掌握书中的Python代码，而把更多精力专注于自然语言处理。所有涉及的Python功能都经过精心解释和举例说明，你很快就会体会到Python在这些应用领域的妙用。书中的语言索引会帮你查找书中的相关论述。

已经精通Python？

你可以浏览一下Python的例子并且钻研从第1章开始就提到的语言分析材料。很快你就能在这个神奇的领域展现你的技能。

《Python自然语言处理》是一本介绍NLP的实用书籍。你将通过例子学习编写真正的程序，并通过实践验证自己想法的价值。如果你没有学过编程，本书将教你如何编程。与其他编程书籍不同的是，我们提供了丰富的NLP实例和练习。我们撰写本书时讲究探究原理，无论是严谨的语言学还是计算分析学，我们不回避所涉及的任何基础理论。我们曾经试图在理论与实践之间寻求折中，确定它们之间的联系与边界。最终我们认识到如果不能寓教于乐，几乎无法实现这个目标，所以我们竭尽所能写入了很多既有益又有趣的应用和例子，有的甚至有些异想天开。

请注意本书并不是一本工具书。本书讲述的Python和NLP是精心挑选的，并通过教程的形式展现的。关于参考材料，请查阅http://python.org/和http://www.nltk.org/，那里有大量可搜索的资源。

本书也不是高深的计算机科学文章。书中的内容属于入门级和中级，目标读者是那些想要学习如何使用Python和自然语言分析包来分析文本的人。若想学习NLTK中更高级的算法，你可以查阅http://www.nltk.org/中的Python代码库，或查询在本书中引用的其他文献。

Edward Loper、Ewan Klein和Steven Bird，斯坦福大学，2007年7月

Steven Bird是墨尔本大学计算机科学和软件工程系副教授，宾夕法尼亚大学的语言数据联盟高级副研究员。他于1990年在英国爱丁堡大学完成计算音韵学博士，导师是Ewan Klein。后来到喀麦隆开展夏季语言学研究所主持的Grassfields班图语语言实地调查。最近，他作为语言数据联盟副主任带领研发队伍花了几年时间，创建已标注文本的大型数据库的模型和工具。在墨尔本大学，他建立了一个语言技术研究组，并在各级本科计算机科学课程任教。2009年，史蒂芬成为计算语言学学会主席。

Ewan Klein是英国爱丁堡大学信息学院语言技术教授。于1978年在剑桥大学完成形式语义学博士学位。在苏塞克斯和纽卡斯尔大学工作多年后，开始在爱丁堡从事教学工作。于1993年他参与了爱丁堡语言科技集团的建立，并一直与之密切联系。从2000年到2002年，他离开大学，在圣克拉拉的埃迪法公司的总部—爱丁堡的自然语言的研究小组担任研发经理，负责处理口语对话。Ewan是欧洲章计算语言学协会（European Chapter of the Association for Computational Linguistics）前任主席，并且是人类语言技术（ELSNET）欧洲卓越网络的创始成员和协调员。

Edward Loper最近完成了宾夕法尼亚大学自然语言处理的机器学习博士学位。爱德华是史蒂芬在2000年秋季计算语言学研究生课程的学生，也是教师助手和NLTK开发的成员。除了NLTK，他帮助开发了用于记录和测试Python软件的两个包：epydoc和doctest。

看看这些章节里的“为什么”能不能解除你心中的疑惑和你想学的知识。

第1章　语言处理与Python

我们能够很容易地得到数百万数量级的文本。假设我们会写一些简单的程序，那可以用它来做些什么？本章将解决以下几个问题。

（1）通过将技术性较简单的程序与大规模文本结合起来，我们能实现什么？

（2）如何自动地提取出关键字和词组，用来总结文本的风格和内容？

（3）Python编程语言为上述工作提供了哪些工具和技术？

（4）自然语言处理中有哪些有趣的挑战呢？

第2章　获得文本语料和词汇资源

在自然语言处理的实际项目中，通常要使用大量的语言数据或者语料库。本章的目的是要回答下列问题。

（1）什么是有用的文本语料库和词汇资源，如何使用Python获取它们？

（2）哪些Python结构最适合这项工作？

（3）编写Python代码时如何避免重复的工作？

第3章　处理原始文本

文本的最重要来源无疑是网络。探索现成的文本集合，如我们在前面章节中看到的语料库，是很方便的。然而，每个人都有自己的文本来源，需要学习如何访问它们。

本章的目的是要回答下列问题。

（1）怎样才能编写程序访问本地和网络上的文件，从而获得无限的语言材料？

（2）如何把文档分割成单独的单词和标点符号，并进行文本语料上分析？

（3）怎样编写程序产生格式化的输出，并把结果保存在文件中？

第4章　编写结构化程序

现在，对Python编程语言处理自然语言的知识已经有了体会。不过，如果你是Python或者编程新手，你仍然要努力对付Python，并尚未感觉到能完全掌握它。在这一章中，我们将解决以下问题。

（1）怎么能写出结构良好、可读的程序，使你和其他人能够很容易地重用它？

（2）基本结构块，如循环、函数及赋值，是如何执行的？

（3）Python编程的陷阱有哪些，你将如何避免它们？

第5章　分类和标注词汇

我们早在小学就学过名词、动词、形容词和副词之间的差异。这些“词类”不是文法家闲的没事发明的，而是对许多语言处理任务都有帮助的分类。正如我们将看到的，这些分类源于对文本中词分布的简单分析。本章的目标就是要回答下列问题。

（1）什么是词汇分类，在自然语言处理中它们如何使用？

（2）对于存储词汇和它们的分类来说什么是好的Python数据结构？

（3）如何自动标注文本中每个词汇的词类？

第6章　学习分类文本

模式识别是自然语言处理的一个核心部分。以-ed结尾的词往往是过去时态动词（见第5章）。频繁使用will暗示着这是新闻文本（见第3章）。这些可观察到的模式——词的结构和词频——恰好与特定方面的含义相关联，如：时态和主题。但我们怎么知道从哪里开始寻找，哪一方面的形式与哪一方面的含义相关联？

本章的目标是要回答下列问题。

（1）怎样才能识别出语言数据中明显用于分类的特征？

（2）怎样才能构建用于自动执行语言处理任务的语言模型？

（3）从这些模型中我们可以学到哪些关于语言的知识？

第7章　从文本提取信息

对于任何给定的问题，很可能已经有人把答案写在某个地方了。以电子化提供的自然语言文本的数量真的惊人，并且与日俱增。然而，自然语言的复杂性使访问这些文本中的信息非常困难。NLP还需要一定的发展，才能适用于各种复杂的文本。如果我们不将我们的精力集中在一个问题或“实体关系”的有限集合上，例如：“不同的设施位于何处”或“谁被什么公司雇用”上，我们就能取得重大进展。本章的目的是要回答下列问题。

（1）如何能构建一个系统，以至从非结构化文本中提取结构化数据？

（2）有哪些稳健的方法识别一个文本中描述的实体和关系？

（3）哪些语料库适合这项工作，如何使用它们来训练和评估模型？

第8章　分析句子结构

前面的章节重点关注词：如何识别它们，分析它们的结构，给它们分配词汇类别，以及获得它们的含义。我们还学习了如何识别词序列或n-grams的模式。然而，这些方法只是触碰到了管理句子用到的复杂约束条件的表面。我们需要一种能处理自然语言中显著歧义的方法。我们还需要应对这样一个事实：句子有无限的可能，而我们只能写有限的程序来分析其结构和发现它们的含义。

本章的目的是要回答下列问题。

（1）如何使用形式化语法来描述无限的句子集合的结构？

（2）如何使用句法树来表示句子结构？

（3）解析器如何分析句子并自动构建语法树？