【自然语言处理】词性标注

最近实验室参加了个比赛，比赛内容是做一个英文学术论文阅读 / 写作的辅助系统（RFW：Read For Write），我做了一部分的数据收集和处理工作。

• 数据收集阶段：我舍友写了个爬虫网页pdf的代码，我用的那个代码爬的数据，相对轻松
• 数据处理阶段：我做的主要是词性标注，包括：标记解析、词性标注、词性还原三步

这次就整理一下词性标注的基本方法。

1 NLTK库的安装

词性标注中最主要用到的库是NLTK库，具体的安装过程和遇到问题的解决办法可以参考我的这篇文章：【自然语言处理】NLTK库的安装
在词性标注中我们会用到的wordnet, averaged_perceptron_tagger, punkt包，三个包应该分别存在corpora, taggers, tokenizers文件夹下，最终的存储位置可参考如下：

2 标记解析

一个句子是由若干标记（Token）组成的，标记既可以是一个词，也可以是标点符号等。将句子分割为标记的过程为标记解析（Tokenization）。
函数：word_tokenize()

• 入口参数：待标注的句子
• 出口参数：解析后的分词列表

实现代码如下：

from nltk import word_tokenize

line = "They fired a gun, and they sit by the fire."
tokens = word_tokenize(line)    # 标记解析

结果：

print(tokens)
['They', 'fired', 'a', 'gun', ',', 'and', 'they', 'sit', 'by', 'the', 'fire', '.']

补充：
标记解析有点类似于我们词频统计的第一步：分词，标记解析除了使用方便以外，还有这两点优势：

• 准确
  一般来讲，一个句子的结尾具有明显的标志，如句号、问号和感叹号等，因此可以用简单的规则进行分句。然而，往往存在大量的例外情况，如在英文中，句号除了可以作为句尾标志，还可以作为单词的一部分（如"Mr."）。NLTK提供的分句功能可以较好地解决此问题。
• 有用
  标记解析往往与下面的词性标注相结合，使每个单词的词性能够结合具体的句子而标注。

3 词性标注

当分词结束后，我们需要利用NLTK库对每个词进行词性标注（pos_tag），词性（POS: Part Of Speech）的标注（tag）往往基于标记解析。
函数：nltk.pos_tag()

• 入口参数：分词列表
• 出口参数：二元组（词，词性标签）

实现代码如下：

from nltk import pos_tag

tags = pos_tag(tokens) 

结果：

for item in tags:
    print(item)

('They', 'PRP')
('fired', 'VBD')
('a', 'DT')
('gun', 'NN')
(',', ',')
('and', 'CC')
('they', 'PRP')
('sit', 'VBP')
('by', 'IN')
('the', 'DT')
('fire', 'NN')
('.', '.')

补充：词性标签
因为我们本次是动词标注，所以先列出动词标签，更多的可以参考：python自然语言处理——NLTK——词性标签（pos_tag）

词性标签	词性	举例
VB	动词	take
VBD	过去时	took
VBG	动名词 / 现在分词	taking
VBN	过去分词	taken
VBP	一般现在时	take
VBZ	第三人称	takes

4 词性还原

当出现类似take、takes这种动词，我们往往更想要take的各种时态的总频率，而不是各自的词频，因此需要词性还原。代码如下：

from nltk.stem import WordNetLemmatizer

wnl = WordNetLemmatizer()
print(wnl.lemmatize('running', 'v'))

这段代码的返回结果是：

run

5 总代码

以上就是动词标注的三步流程，其余词性的标注看情况加第三步，但前两步的处理是一致的。
总代码如下：

from nltk import word_tokenize
from nltk import pos_tag
from nltk.corpus import wordnet
from nltk.stem import WordNetLemmatizer

line = "They fired a gun, and they sit by the fire."
tokens = word_tokenize(line)    # 标记(Token)解析, 可简单理解为分词(不包括小写和去符号的过程)
tags = pos_tag(tokens)          # 词性标注, 标记后的结果是二元数组格式

# for token in tokens:
#     print(token)
# print("==================")
# for item in tags:
#     print(item)

# # 词性还原
# wnl = WordNetLemmatizer()
# print(wnl.lemmatize('running', 'v'))

v_tags = {'VB', 'VBD', 'VBG', 'VBN', 'VBP', 'VBZ'}  # set
wnl = WordNetLemmatizer()
for word, pos in tags:
    if pos in v_tags:
        print(wnl.lemmatize(word, 'v'))

结果：（注意这个fire是前面那个fired变换得来的）

fire	
sit

6 参考

[1] 【自然语言处理】NLTK库的安装
[2] python自然语言处理——NLTK——词性标签（pos_tag）
[3] 自然语言处理(NLP)之英文单词词性还原