python如何下载安装spacy_使用 spacy 进行自然语言处理（一）

介绍

自然语言处理(NLP) 是人工智能方向一个非常重要的研究领域。 自然语言处理在很多智能应用中扮演着非常重要的角色，例如：automated chat bots,

article summarizers,

multi-lingual translation

opinion identification from data

每一个利用NLP来理解非结构化文本数据的行业，不仅要求准确，而且在获取结果方面也很敏捷。

自然语言处理是一个非常广阔的领域，NLP 的任务包括text classification,

entity detection,

machine translation,

question answering,

concept identification.

在本文中，将介绍一个高级的 NLP 库 - spaCy

内容列表关于 spaCy 和 安装

Spacy 流水线 和 属性Tokenization

Pos Tagging

Entity Detection

Dependency Parsing

名词短语

与 NLTK 和 coreNLP 的对比

1.关于 spaCy 和 安装

1.1 关于 Spacy

Spacy 是由 cython 编写。因此它是一个非常快的库。 spaCy 提供简洁的接口用来访问其方法和属性 governed by trained machine (and deep) learning models.

1.2 安装

安装 Spacypip install spacy

下载数据和模型python -m spacy download en

现在，您可以使用 Spacy 了。

2. Spacy 流水线 和 属性

要想使用 Spacy 和 访问其不同的 properties， 需要先创建 pipelines。 通过加载 模型 来创建一个 pipeline。 Spacy 提供了许多不同的 模型 , 模型中包含了 语言的信息- 词汇表，预训练的词向量，语法 和 实体。

下面将加载默认的模型- english-core-webimport spacy

nlp = spacy.load(“en”)

nlp 对象将要被用来创建文档，访问语言注释和不同的 nlp 属性。我们通过加载一个 文本文件 来创建一个 document 。这里使用的是从 tripadvisor's 网站上下载下来的 旅馆评论。document = open(filename).read()

document = nlp(document)

现在，document 成为 spacy.english 模型的一部分，同时 document 也有一些 成员属性。可以通过 dir(document) 查看。dir(document)

>> [..., 'user_span_hooks', 'user_token_hooks', 'vector', 'vector_norm', 'vocab']

document 包含大量的文档属性信息，包括 - tokens, token’s reference index, part of speech tags, entities, vectors, sentiment, vocabulary etc.  下面将介绍一下几个属性

2.1 Tokenization"this is a sentence."-> (tokenization)

>> ['this', 'is', 'a', 'sentence', '.']

Spacy 会先将文档 分解成句子，然后再 tokenize 。我们可以使用迭代来遍历整个文档。# first token of the doc document[0]

>> Nice# last token of the doc  document[len(document)-5]

>> boston

# List of sentences of our doc list(document.sents)

>> [ Nice place Better than some reviews give it credit for.,

Overall, the rooms were a bit small but nice.,

...

Everything was clean, the view was wonderful and it is very well located (the Prudential Center makes shopping and eating easy and the T is nearby for jaunts out and about the city).]

2.2 Part of Speech Tagging (词性标注)

词性标注： word 的 动词/名词/… 属性。这些标注可以作为 文本特征 用到  information filtering, statistical models, 和 rule based parsing 中.# get all tagsall_tags = {w.pos: w.pos_ for w in document}

>> {83: 'ADJ', 91: 'NOUN', 84: 'ADP', 89: 'DET', 99: 'VERB', 94: 'PRON', 96: 'PUNCT', 85: 'ADV', 88: 'CCONJ', 95: 'PROPN', 102: 'SPACE', 93: 'PART', 98: 'SYM', 92: 'NUM', 100: 'X', 90: 'INTJ'}# all tags of first sentence of our document for word in list(document.sents)[0]:

print(word, word.tag_)

>> (Nice, 'JJ') (place, 'NN') (Better, 'JJR') (than, 'IN') (some, 'DT') (reviews, 'NNS') (give, 'VBP') (it, 'PRP') (credit, 'NN') (for, 'IN') (., '.')

下面代码创建一个 文本处理 操作，去掉噪声词。#define some parameters  noisy_pos_tags = ["PROP"]

min_token_length = 2#Function to check if the token is a noise or not  def isNoise(token):

is_noise = False

if token.pos_ in noisy_pos_tags:

is_noise = True

elif token.is_stop == True:

is_noise = True

elif len(token.string) <= min_token_length:

is_noise = True

return is_noise

def cleanup(token, lower = True):

if lower:

token = token.lower()    return token.strip()# top unigrams used in the reviews from collections import Counter

cleaned_list = [cleanup(word.string) for word in document if not isNoise(word)]

Counter(cleaned_list) .most_common(5)

>> [('hotel', 683), ('room', 652), ('great', 300),  ('sheraton', 285), ('location', 271)]

2.3 Entity Detection (实体检测)

Spacy 包含了一个快速的 实体识别模型，它可以识别出文档中的 实体短语。有多种类型的实体，例如 - 人物，地点，组织，日期，数字。可以通过 document 的 ents 属性来访问这些实体。

下面代码用来 找出 当前文档中的所有 命名实体。labels = set([w.label_ for w in document.ents])

for label in labels:

entities = [cleanup(e.string, lower=False) for e in document.ents if label==e.label_]

entities = list(set(entities))

print label,entities

2.4 Dependency Parsing

spacy 一个非常强大的特性就是 十分快速和准确的语法解析树的构建，通过一个简单的 API 即可完成。这个 parser 也可以用作句子边界检测和短语切分。通过 “.children” , “.root”, “.ancestor” 即可访问。# extract all review sentences that contains the term - hotelhotel = [sent for sent in document.sents if 'hotel' in sent.string.lower()]# create dependency treesentence = hotel[2]

for word in sentence:

print(word, ': ', str(list(word.children)))

>> A :  []

cab :  [A, from]

from :  [airport, to]

the :  []

airport :  [the]

to :  [hotel]

the :  []

hotel :  [the]

can :  []

be :  [cab, can, cheaper, .]

cheaper :  [than]

than :  [shuttles]

the :  []

shuttles :  [the, depending]

depending :  [time]

what :  []

time :  [what, of]

of :  [day]

the :  []

day :  [the, go]

you :  []

go :  [you]

. :  []

下面代码所作的工作是：解析所有 包含 “hotel” 句子的依赖树，看看都用了什么样的形容词来描述 “hotel”。下面创建了一个自定义函数来解析依赖树和抽取相关的词性标签。# check all adjectives used with a word def pos_words (document, token, pos_tag):

sentences = [sent for sent in document.sents if token in sent.string]

pwrds = []    for sent in sentences:        for word in sent:            if token in word.string:

pwrds.extend([child.string.strip() for child in word.children                                                      if child.pos_ == pos_tag] )    return Counter(pwrds).most_common(10)

pos_words(document, 'hotel', "ADJ")

>> [(u'other', 20), (u'great', 10), (u'good', 7), (u'better', 6), (u'nice', 6), (u'different', 5), (u'many', 5), (u'best', 4), (u'my', 4), (u'wonderful', 3)]

2.5 Noun Phrases (名词短语)

Dependency trees 也可以用来生成名词短语。# Generate Noun Phrases doc = nlp(u'I love data science on analytics vidhya')

for np in doc.noun_chunks:

print(np.text, np.root.dep_, np.root.head.text)

>> I nsubj love

data science dobj love

analytics pobj on

3.与CNTK和core NLP 的对比

参考资料