【自然语言处理】3.1NLTK工具集

3.1 NLTK工具集

介绍

• NLTK为自然语言处理集
• 多语料库（Corpora）
• 词典资源（Lexicon），如WordNet
• 基本自然语言处理工具集
  • 标记解析（Tokenization）
  • 词干提取（Stemming）
  • 词性标注（POS Tagging）
  • 句法分析（Syntactic Parsing）
• 安装(command+R), pip install nltk

3.1.1 常见语料库和词典资源

• 下载
  • nltk.download() 方法

  import nltk
  nltk.download() 
   ```
  

• 1. 停用词
  • 因为语义不重要（如冠词），可以加快处理速度，所以减少规模，这些词语称为stopwords

     from nltk.corpus import stopwards
     stopwards.words()
    

• 2. 常见语料库
  • 文本数据集（图片，聊天记录等）
    • 未标注语料库（raw text/生语料库/生文本）
      • 使用下载方法如上所示，直接访问原始文本文件（目录为下载的时候选择的存储目录）
      • 调用NLTK提供的功能

        import nltk
        

      nltk.download(‘gutenberg’)
      from nltk.corpus import gutenberg
      gutenberg.raw(“austen-emma.txt”)
    • 人工标注语料库（Annotated corpus）```
      • 关于某项任务的结果（eg：句子记性语料库（sentence_polarity）包含了褒贬中性词，而且已经预处理过）
      • sentence_polarity使用方法
        • sentence_polarity.categories返回的是褒贬类信息，neg和pos
        • sentence_polarity.words(categories=‘pos’)选择语料库全部单词列表

      		[(sentence, category) for category in sentence_polarity.categories()
      		    for sentence in sentence_polarity.sents(categories=category)]
      		    # 返回的是一个大列表，每个元素为一个句子的单词列表和对应褒贬构成元组
      

• 3. 常用词典
  • 1. WordNet
    • 英语词义词典，Thesaurus定义了同义词集合（Synset），同义词集合有相同意义的词义组成。Gloss（剪短的释义），不同用一次集合之间具有一定关系
      • 使用图示

         from nltk.corpus import wordnet
         nltk.download('wordnet')
         syns = wordnet.synsets("bank")
         # 返回的bank的全部十八个词义的synset同义词集合
         print(syns[0].name)
         # 返回的是bank的第一个词义的名称，其中n代表名词
         syns[0].definition()
         # 返回bank的第二个词义的定义，即为银行的定义，返回的是英语解释
         syns[0].examples() 
         # 返回的是bank的第一个使用实例
         syns[0].hypernyms()
         # 返回的是bank第一次词义的同义词集合
         dog = wordnet.synset('dog.n.01')
         cat = wordnet.synset('cat.n.01')
         dog.wup_similarity(cat)
        # 计算两个同义词之间的Wu-Palmer的相似度
        

  • synset返回全部词义，definition返回定义，examples返回使用例子，hypernyms返回第一个词义的同义词集合，wup_similarity返回Wu-Palmer相似度
• 2. SentiWordNet
  • 是基于WordNet的标注词语的情感倾向词典，每个词语标注了褒义贬义中性。
  • 使用图示

		from nltk.corpus import sentiwordnet
		sentiwordnet.senti_synset('good.a.01')
		# 词good在形容词adjective下的第一语义，返回的是Poscore和Negscore

3.1.2 常见自然语言处理工具集

• 1. 分词
  • 需要将较长句子切分为干句子（简单规则分句），但存在例外情况比如（Mr.）
  • sent_tokenize图示

  from nltk.tokenize import sent_tokenize
  text = gutenberg.raw("austen-emma.txt")
  sentence = sent_tokenize(text)
  # 对Emma小说进行全文分句
  print(sentence[100])
  # 显示其中一个分句
  

• 2. 标记标注
  • 一个橘子是有若干标记（Token）按照顺序构成的，而且标记可以是一个词语/标点符号（自然语言处理最基本输入单元），而且将橘子分隔为标记的过程叫做标记解析（Tokenization），工作之一是讲标点符号和前面的单词拆分
  • word_tokenize图示

  from nltk.tokenize import word_tokenize
  word_tokenize(sentence[100])
  

• 3. 词性标注
  • NLTK提供词性标注器（POS Tagger），NN为名词，VBP为动词，使用Penn Treebank（宾州树库）标注标准。而而且有词性标记含义的查询功能
  • pos_tag使用方法图示

  from nltk import pos_tag
  pos_tag(word_tokenize("They sat by the fire."))
  

  • 词性标注含义查询图示

  nltk.help.upenn_tagset('NN')
  nltk.help.upenn_tagset('VBP')
  nltk.help.upenn_tagset() # 返回所有词性的标注集以及各种词性的示例
  

• 4. 其他工具
  • 命名实体识别
  • 组快分析（Chunking）
  • 句法分析