词性标注与命名实体识别

词性标注与命名实体识别

词性标注

词性是词汇基本的语法属性，通常称为词类。词性标注是在给定句子中判定每个词的语法范畴，确定其词性并加以标注的过程。例如，表示人、地点、事物以及其他抽象概念的名称即为名词，表示动作或者状态变化的为动词，描述或修饰名词属性、状态的词为形容词。

在中文中，一个词的词性很多时候都是不固定的，一般表现为同音同形的词在不同的场景下，其表示的语法属性截然不同，这为词性标注带来了很大的困难；但是另一方面，从整体上看，大多数词语尤其是实词，一般只有一到两个词性，且其中一个词性的频率远大于另一个，即使每次将高频词性作为词性选择进行标注，准确率也在80%以上。

词性标注最简单的方法是从语料库中统计每个词所对应的高频词性，将其作为默认词性，但这样显然还有提升空间。目前主流的是如同分词一样，将句子的词性标注为一个序列标注问题来解决，那么分词中常用的手段，如隐含马尔可夫模型、条件随机场模型（CRF）等皆可以在标注任务中使用。

词性标注具有一定的规范，什么表示表示什么，如’n’表示名词，目前没有统一规范，主要有北大词性标注集和宾州词性标注集两种，各有千秋。jieba库是词性标注不错的选择，具体API为jieba.posseg。

命名实体识别

与自动分词、词性标注一样，命名实体识别也是自然语言处理的基础任务，是信息抽取、信息检索、机器翻译、问答系统等多种自然语言处理技术必不可少的组成部分。其目的是识别语料中人名、地名、组织机构名等命名实体。

由于这些命名实体数量不断增加，不可能在词典穷尽列出，且其构成方法具有各自规律性，因此，通常把对这些词的识别在词汇形态处理（如汉语切分）任务中独立处理，称为命名实体识别（NER）。NER研究分为三大类（实体类、时间类、数字类）和七小类（人名、地名、组织机构名、时间、日期、货币和百分比）。由于数量、时间、日期、货币等实体识别通常可以采用模式匹配的方式取得较好的结果，相比之下人名。地名。组织机构名较为复杂，近年来的研究主要针对这些。

命名实体识别当前并不是一个大热的研究课题，因为学术界部分认为这是一个已经解决的问题。但是，不少人认为通用识别准确率很低。

同样的，中文命名实体识别难度更大，主要原因如下。

• 各类命名实体数量众多。
• 命名实体构成规律复杂。
• 嵌套情况复杂。
• 长度不确定。

其实，除了分词，NLP每个子任务的划分方法基本上都是基于规则、基于统计和两者结合的方法。CRF往往有着更好的效果，CRF++包是个不错的选择。

实战

本案例目标是日期识别，具体为根据用户电话语音识别出文本，解析文本提到的相关日期。

import re
from datetime import datetime, timedelta
from dateutil.parser import parse
import jieba.posseg as psg

# 参考字典，用于文本转数字
UTIL_CN_NUM = {
    '零': 0, '一': 1, '二': 2, '两': 2, '三': 3, '四': 4,
    '五': 5, '六': 6, '七': 7, '八': 8, '九': 9,
    '0': 0, '1': 1, '2': 2, '3': 3, '4': 4,
    '5': 5, '6': 6, '7': 7, '8': 8, '9': 9
}
UTIL_CN_UNIT = {'十': 10, '百': 100, '千': 1000, '万': 10000}


def cn2dig(src):
    """
    转为数字
    :param src:
    :return:
    """
    if src == "":
        return None
    m = re.match(r"\d+", src)
    if m:
        # 若匹配到数字
        return int(m.group(0))
    # 若只有文本，则进行文本转换
    rsl = 0
    unit = 1
    # 倒序查找
    for item in src[::-1]:
        if item in UTIL_CN_UNIT.keys():
            unit = UTIL_CN_UNIT[item]
        elif item in UTIL_CN_NUM.keys():
            num = UTIL_CN_NUM[item]
            rsl += num * unit
        else:
            return None
    if rsl < unit:
        rsl += unit
    return rsl


def year2dig(year):
    """
    转为数字
    :param year:
    :return:
    """
    res = ''
    for item in year:
        if item in UTIL_CN_NUM.keys():
            res = res + str(UTIL_CN_NUM[item])
        else:
            res = res + item
    m = re.match(r"\d+", res)
    if m:
        if len(m.group(0)) == 2:
            return int(datetime.today().year/100)*100 + int(m.group(0))
        else:
            return int(m.group(0))
    else:
        return None


def parse_datetime(msg):
    """
    解析日期
    :param msg:
    :return:
    """
    if msg is None or len(msg) == 0:
        return None
    try:
        dt = parse(msg, fuzzy=True)
        return dt.strftime('%Y-%m-%d %H:%M:%S')
    except Exception as e:
        m = re.match(
            r"([0-9零一二两三四五六七八九十]+年)?([0-9一二两三四五六七八九十]+月)?([0-9一二两三四五六七八九十]+[号日])?([上中下午晚早]+)?([0-9零一二两三四五六七八九十百]+[点:\.时])?([0-9零一二三四五六七八九十百]+分?)?([0-9零一二三四五六七八九十百]+秒)?",
            msg)
        if m.group(0) is not None:
            res = {
                "year": m.group(1),
                "month": m.group(2),
                "day": m.group(3),
                "hour": m.group(5) if m.group(5) is not None else '00',
                "minute": m.group(6) if m.group(6) is not None else '00',
                "second": m.group(7) if m.group(7) is not None else '00',
            }
            params = {}

            for name in res:
                if res[name] is not None and len(res[name]) != 0:
                    tmp = None
                    if name == 'year':
                        tmp = year2dig(res[name][:-1])
                    else:
                        tmp = cn2dig(res[name][:-1])
                    if tmp is not None:
                        params[name] = int(tmp)
            target_date = datetime.today().replace(**params)
            is_pm = m.group(4)
            if is_pm is not None:
                if is_pm == u'下午' or is_pm == u'晚上' or is_pm =='中午':
                    hour = target_date.time().hour
                    if hour < 12:
                        target_date = target_date.replace(hour=hour + 12)
            return target_date.strftime('%Y-%m-%d %H:%M:%S')
        else:
            return None


def check_time_valid(word):
    """
    确认时间的合法性
    :param word:
    :return:
    """
    m = re.match(r"\d+$", word)
    if m:
        if len(word) <= 6:
            return None
    word1 = re.sub(r'[号|日]\d+$', '日', word)
    if word1 != word:
        return check_time_valid(word1)
    else:
        return word1


def time_extract(text):
    """
    提取时间
    :param text:
    :return:
    """
    time_res = []
    word = ''
    keyDate = {'今天': 0, '明天': 1, '后天': 2}
    for k, v in psg.cut(text):
        if k in keyDate:
            if word != '':
                time_res.append(word)
            word = datetime.today() + timedelta(days=keyDate.get(k, 0))
            print(word)
            word = word.strftime('%Y{}%m{}%d{}').format("年", "月", "日")
        elif word != '':
            if v in ['m', 't']:
                word = word + k
            else:
                time_res.append(word)
                word = ''
        elif v in ['m', 't']:
            word = k
    if word != '':
        time_res.append(word)
    result = list(filter(lambda x: x is not None, [check_time_valid(w) for w in time_res]))
    final_res = [parse_datetime(w) for w in result]

    return [x for x in final_res if x is not None]


if __name__ == '__main__':
    text1 = '我要住到明天下午三点'
    print(text1, time_extract(text1), sep=':')

    text2 = '预定28号的房间'
    print(text2, time_extract(text2), sep=':')

    text3 = '我要从26号下午4点住到11月2号'
    print(text3, time_extract(text3), sep=':')

    text4 = '我要预订今天到30的房间'
    print(text4, time_extract(text4), sep=':')

    text5 = '今天30号'
    print(text5, time_extract(text5), sep=':')

补充说明

本文参考自《Python自然语言处理实战》，并对书中的一些错误做了纠正（原书使用Jupyter Notebook，我使用Pycharm作为开发环境，推荐Jupyter），并对代码添加了一定注释。由于词性标注和命名实体识别实际上在自然语言处理中还处于一个发展中的领域，所以我这里的介绍其实具有时效性，，请斟酌接受。具体数据集和代码见我的Github，欢迎star或者fork。到此，中文分词技术、词性标注与命名实体识别三个词法层面的自然语言基础已经介绍完毕，后面有机会的话我会在本专栏接着介绍其他内容。