奋战聊天机器人（三）自动化对语料做词性标注

1.英语词干提取器

import nltk
porter = nltk.PorterStemmer()
porter.stem('lying')

2.词性标注器

import nltk
text = nltk.word_tokenize("And now for something completely different")
nltk.pos_tag(text)

其中CC是连接词，RB是副词，IN是介词，NN是名次，JJ是形容词

这是一句完整的话，实际上pos_tag是处理一个词序列，会根据句子来动态判断，比如：

i love you ————love识别为名词
love and hate —————love识别为名词

nltk中多数都是英文的词性标注语料库，如果我们想自己标注一批语料库该怎么办呢？

nltk提供了比较方便的方法：

tagged_token = nltk,tag.str2truple('fly/NN')

这里的nltk.tag.str2tuple可以把fly/NN这种字符串转成一个二元组，事实上nltk的语料库中都是这种字符串形式的标注，那么我们如果把语料库标记成：

sent = '我/NN 是/IN 一个/AT 大/JJ 傻x/NN'
[nltk.tag.str2tuple(t) for t in sent.split()]

如此一看,也是支持中文的

我们看看布朗语料库中的标注：

nltk.corpus.brown.tagged_words()

事实上，nltk也有中文的语料库，我们可以下载：

在nltk.download()执行的下载窗口中，选择Corpora里的sinica_treebank（台湾话的中国研究院）下载

Step 1: 查看这个中文语料库中有什么内容

# coding:utf-8

import nltk

for word in nltk.corpus.sinica_treebank.tagged_words():
    print(word[0], word[1])

第一列是中文的词汇，第二列是标注好的词性

我们发现这里面都是繁体，因为是基于台湾的语料生成的，想要简体中文还得自己想办法。不过有人已经帮我们做了这部分工作，那就是jieba分词，强烈推荐，可以自己加载自己的语料，进行中文切词，并且能够自动做词性标注

3.词性自动标注

面对一片新的语料库（比如我们从未处理过中文，只有中文语料），怎么实现词性自动标注呢？

默认标注器：

不管什么词，都标注为频率最高的一种词性。比如经过分析，所有中文语料里的词是名词的概率是13%最大，那么我们的默认标注器就全部标注为名词。

这种标注器一般作为其他标注器处理之后的最后一道门，既不知道是什么词？那么他是名词。默认标注器用DefaultTagger来实现：

# encoding:utf-8

import nltk

default_tagger = nltk.DefaultTagger('NN')
raw = '我 累 个 去'
tokens = nltk.word_tokenize(raw)
tags = default_tagger.tag(tokens)
print(tags)

正则表达式标注器：

满足特定正则表达式的认为是某种词性，比如凡是带“们”的都认为是代词(PRO)。正则表达式标注器通RegexpTagge实现，用法如下：

pattern = [(r'.*们$', 'PRO')]
tagger = nltk.RegexpTagger(pattern)
print(tagger.tag(nltk.word_tokenize('我们 累 个 去 你们 和 他们 啊')))

查询标注器：

找出最频繁的n个词以及它的词性，然后用这个信息去查找语料库，匹配的就标记上，剩余的词使用默认标注器(回退)。这一般使用一元标注的方式，见下面。

一元标注：基于已经标注的语料库做训练，然后用训练好的模型来标注新的语料，使用方法如下：

tagged_sents = [[(u'我', u'PRO'), (u'小兔', u'NN')]]
unigram_tagger = nltk.UnigramTagger(tagged_sents)
sents = brown.sents(categories='news')
sents = [[u'我', u'你', u'小兔']]
tags = unigram_tagger.tag(sents[0])
print(tags)

这里的tagged_sents是用于训练的语料库，我们也可以直接用已有的标注好的语料库，比如：

brown_tagged_sents = brown.tagged_sents(categories='news')

二元标注和多元标注：一元标注指的是只考虑当前这个词，不考虑上下文。二元标注器指的是考虑它前面的词的标注，用法只需要把上面的UnigramTagger换成BigramTagger。同理三元标注换成TrigramTagger

组合标注器：

为了提高精度和覆盖率，我们对多种标注器组合，比如组合二元标注器、一元标注器和默认标注器，如下：

t0 = nltk.DefaultTagger('NN')
t1 = nltk.UnigramTagger(train_sents, backoff=t0) 
t2 = nltk.BigramTagger(train_sents, backoff=t1) 

标注器的存储：

训练好的标注器为了持久化，可以存储到硬盘，具体方法如下：

from cPickle import dump
output = open('t2.pkl', 'wb')
dump(t2, output, -1)
output.close()

使用时加载

from cPickle import load 
input = open('t2.pkl', 'rb') 
tagger = load(input) 
input.close() 

参考资料来源：http://www.shareditor.com/