NLP 的前置技术
- 很多的数据科学库、框架、模块以及工具箱可以有效地实现 NLP 大部分常见的算法与技术
- 需要掌握 Numpy、正则表达式
2.1 搭建 Python 开发环境
Python 处理 NLP 的优势
- 具有丰富的自然语言处理库
- 编程语法相对简单
- 具有很多数据科学相关的库
2.1.1 Python 的科学计算发行版 — Anaconda
2.2 正则表达式在 NLP 中的基本应用
- 正则表达式是一种定义了搜索模式的特征序列,主要是用于字符串的模式匹配,或是字符的匹配。
- NLP 通常所需要处理的语料,一部分来自于 web 网页的信息抽取,一部分来自于文本格式的文档
两种语料的特点:
- Web 网页具有很强的开发价值,具有时效性强、信息量大、结构稳定、价值高等特点
- 文本格式的文档多来源于人为编写或系统生成,其中包含了非结构化文本、半结构化文本、结构化文本
正则表达式的作用:
- 将这些文档内容从非结构化转为结构化,以方便后续的文本挖掘
- 去噪声(URL 或链接、语气助词、标点符号等)