鲁达 进一步学习自然语言处理的基本概念
在 之前的文章里，我介绍了自然语言处理natural language processing（NLP）和宾夕法尼亚大学研发的自然语言处理工具包Natural Language Toolkit (NLTK)。我演示了用 Python 解析文本和定义停顿词stopword的方法，并介绍了语料库corpus的概念。语料库是由文本构成的数据集，通过提供现成的文本数据来辅助文本处理。在这篇文章里，我将继续用各种语料库对文本进行对比和分析。
这篇文章主要包括以下部分：
- 词网WordNet和同义词集synset
- 相似度比较Similarity comparison
- 树Tree和树库treebank
- 命名实体识别Named entity recognition
词网和同义词集
词网WordNet 是 NLTK 里的一个大型词汇数据库语料库。词网包含各单词的诸多认知同义词cognitive synonyms（认知同义词常被称作“同义词集synset”）。在词网里，名词、动词、形容词和副词，各自被组织成一个同义词的网络。
词网是一个很有用的文本分析工具。它有面向多种语言的版本（汉语、英语、日语、俄语和西班牙语等），也使用多种许可证（从开源许可证到商业许可证都有）。初代版本的词网由普林斯顿大学研发，面向英语，使用类 MIT 许可证MIT-like license。
因为一个词可能有多个意义或多个词性，所以可能与多个同义词集相关联。每个同义词集通常提供下列属性：
| 属性 | 定义 | 例子 |
|---|---|---|
| 名称Name | 此同义词集的名称 | 单词 code有 5 个同义词集，名称分别是code.n.01、code.n.02、code.n.03、code.v.01和code.v.02 |
| 词性POS | 此同义词集的词性 | 单词 code有 3 个名词词性的同义词集和 2 个动词词性的同义词集 |
| 定义Definition | 该词作对应词性时的定义 | 动词 code的一个定义是：（计算机科学）数据或计算机程序指令的象征性排列symbolic arrangement |
| 例子Example | 使用该词的例子 | code一词的例子：We should encode the message for security reasons |
| 词元Lemma | 与该词相关联的其他同义词集（包括那些不一定严格地是该词的同义词，但可以大体看作同义词的）；词元直接与其他词元相关联，而不是直接与单词word相关联 | code.v.02的词元是code.v.02.encipher、code.v.02.cipher、code.v.02.cypher、code.v.02.encrypt、code.v.02.inscribe和code.v.02.write_in_code |
| 反义词Antonym | 意思相反的词 | 词元 encode.v.01.encode的反义词是decode.v.01.decode |
| 上义词Hypernym | 该词所属的一个范畴更大的词 | code.v.01的一个上义词是 |
| 分项词Meronym | 属于该词组成部分的词 | computer的一个分项词是chip |
| 总项词Holonym | 该词作为组成部分所属的词 | window的一个总项词是computer screen |
同义词集还有一些其他属性，在 /Lib/site-packages下的nltk/corpus/reader，你可以找到它们。
下面的代码或许可以帮助理解。
这个函数：
from nl import wordnet def synset_info(synset): print("Name", ) print("POS:", ) print("Definition:", ) print("Examples:", ) print("Lemmas:", ) print("Antonyms:", [lemma.antonyms() for lemma in () if len()) > 0]) print("Hypernyms:", ) print("Instance Hypernyms:", ) print("Part Holonyms:", ) print("Part Meronyms:", ) print synsets = wordnet.synsets('code') print(len(synsets), "synsets:") for synset in synsets: synset_info(synset) 将会显示：
5 synsets: Name code.n.01 POS: n Definition: a set of rules or principles or laws (especially written ones) Examples: Lemmas: [Lemma('code.n.01.code'), Lemma('code.n.01.codification')] Antonyms: Hypernyms: [Synset('wri;)] Instance Hpernyms: Part Holonyms: Part Meronyms: ... Name code.n.03 POS: n Definition: (computer science) the symbolic arrangement of data or instructions in a computer program or the set of such instructions Examples: Lemmas: [Lemma('code.n.03.code'), Lemma('code.n.03.computer_code')] Antonyms: Hypernyms: [Synset('coding_;)] Instance Hpernyms: Part Holonyms: Part Meronyms: ... Name code.v.02 POS: v Definition: convert ordinary language into code Examples: ['We should encode the message for security reasons'] Lemmas: [Lemma('code.v.02.code'), Lemma('code.v.02.encipher'), Lemma('code.v.02.cipher'), Lemma('code.v.02.cypher'), Lemma('code.v.02.encrypt'), Lemma('code.v.02.inscribe'), Lemma('code.v.02.write_in_code')] Antonyms: Hypernyms: [Synset('encode.v.01')] Instance Hpernyms: Part Holonyms: Part Meronyms: 同义词集synset和词元lemma在词网里是按照树状结构组织起来的，下面的代码会给出直观的展现：
def hypernyms(synset): return synsets = wordnet.synsets('soccer') for synset in synsets: print( + " tree:") pprin(rel=hypernyms)) print code.n.01 tree: [Synset('code.n.01'), [Synset('wri;), ... code.n.02 tree: [Synset('code.n.02'), [Synset('coding_;), ... code.n.03 tree: [Synset('code.n.03'), ... code.v.01 tree: [Synset('code.v.01'), [Synset(''), ... code.v.02 tree: [Synset('code.v.02'), [Synset('encode.v.01'), ... 词网并没有涵盖所有的单词和其信息（现今英语有约 17,0000 个单词，最新版的 词网 涵盖了约 15,5000 个），但它开了个好头。掌握了“词网”的各个概念后，如果你觉得它词汇少，不能满足你的需要，可以转而使用其他工具。或者，你也可以打造自己的“词网”！
自主尝试
使用 Python 库，下载维基百科的 “open source” 页面，并列出该页面所有单词的同义词集synset和词元lemma。
相似度比较
相似度比较的目的是识别出两篇文本的相似度，在搜索引擎、聊天机器人等方面有很多应用。
比如，相似度比较可以识别 football和soccer是否有相似性。
syn1 = wordnet.synsets('football') syn2 = wordnet.synsets('soccer') # 一个单词可能有多个 同义词集，需要把 word1 的每个同义词集和 word2 的每个同义词集分别比较 for s1 in syn1: for s2 in syn2: print("Path similarity of: ") print(s1, '(', , ')', '[', (), ']') print(s2, '(', , ')', '[', (), ']') print(" is", (s2)) print Path similarity of: Synset(';) ( n ) [ any of various games played with a ball (round or oval) in which two teams try to kick or carry or propel the ball into each other's goal ] Synset(';) ( n ) [ a football game in which two teams of 11 players try to kick or head a ball into the opponents' goal ] is 0.5 Path similarity of: Synset(';) ( n ) [ the inflated oblong ball used in playing American football ] Synset(';) ( n ) [ a football game in which two teams of 11 players try to kick or head a ball into the opponents' goal ] is 0.05 两个词各个同义词集之间路径相似度path similarity最大的是 0.5，表明它们关联性很大（路径相似度path similarity指两个词的意义在上下义关系的词汇分类结构hypernym/hypnoym taxonomy中的最短距离）。
那么 code和bug呢？这两个计算机领域的词的相似度是：
Path similarity of: Synset('code.n.01') ( n ) [ a set of rules or principles or laws (especially written ones) ] Synset('bug.n.02') ( n ) [ a fault or defect in a computer program, system, or machine ] is 0.1111111111111111 ... Path similarity of: Synset('code.n.02') ( n ) [ a coding system used for transmitting messages requiring brevity or secrecy ] Synset('bug.n.02') ( n ) [ a fault or defect in a computer program, system, or machine ] is 0.09090909090909091 ... Path similarity of: Synset('code.n.03') ( n ) [ (computer science) the symbolic arrangement of data or instructions in a computer program or the set of such instructions ] Synset('bug.n.02') ( n ) [ a fault or defect in a computer program, system, or machine ] is 0.09090909090909091 这些是这两个词各同义词集之间路径相似度path similarity的最大值，这些值表明两个词是有关联性的。
NLTK 提供多种相似度计分器similarity scorers，比如：
- path_similarity
- lch_similarity
- wup_similarity
- res_similarity
- jcn_similarity
- lin_similarity
要进一步了解这些相似度计分器similarity scorers，请查看 WordNet Interface的 Similarity 部分。
自主尝试
使用 Python 库，从维基百科的 ists_of_computer_terms">Category: Lists of computer terms 生成一个术语列表，然后计算各术语之间的相似度。
树和树库
使用 NLTK，你可以把文本表示成树状结构以便进行分析。
这里有一个例子：
这是一份简短的文本，对其做预处理和词性标注：
import nltk text = "I love open source" # Tokenize to words words = nl(text) # POS tag the words words_tagged = nl(words) 要把文本转换成树状结构，你必须定义一个语法grammar。这个例子里用的是一个基于 Penn Treebank tags的简单语法。
# A simple grammar to create tree grammar = "NP: {<JJ><NN>}" 然后用这个语法grammar创建一颗树tree：
# Create tree parser = nl(grammar) tree = (words_tagged) pprint(tree) 运行上面的代码，将得到：
Tree('S', [('I', 'PRP'), ('love', 'VBP'), Tree('NP', [('open', 'JJ'), ('source', 'NN')])]) 你也可以图形化地显示结果。
这个树状结构有助于准确解读文本的意思。比如，用它可以找到文本的 主语：
subject_tags = ["NN", "NNS", "NP", "NNP", "NNPS", "PRP", "PRP$"] def subject(sentence_tree): for tagged_word in sentence_tree: # A crude logic for this case - first word with these tags is considered subject if tagged_word[1] in subject_tags: return tagged_word[0] print("Subject:", subject(tree)) 结果显示主语是 I：
Subject: I 这是一个比较基础的文本分析步骤，可以用到更广泛的应用场景中。 比如，在聊天机器人方面，如果用户告诉机器人：“给我妈妈 Jane 预订一张机票，1 月 1 号伦敦飞纽约的”，机器人可以用这种分析方法解读这个指令：
动作: 预订
动作的对象: 机票
乘客: Jane
出发地: 伦敦
目的地: 纽约
日期: （明年）1 月 1 号
树库treebank指由许多预先标注好的树tree构成的语料库。现在已经有面向多种语言的树库，既有开源的，也有限定条件下才能免费使用的，以及商用的。其中使用最广泛的是面向英语的宾州树库。宾州树库取材于华尔街日报Wall Street Journal。NLTK 也包含了宾州树库作为一个子语料库。下面是一些使用树库treebank的方法：
words = nl.treebank.words print(len(words), "words:") print(words) tagged_sents = nl.treebank.tagged_sents print(len(tagged_sents), "sentences:") print(tagged_sents) 100676 words: ['Pierre', 'Vinken', ',', '61', 'years', 'old', ',', ...] 3914 sentences: [[('Pierre', 'NNP'), ('Vinken', 'NNP'), (',', ','), ('61', 'CD'), ('years', 'NNS'), ('old', 'JJ'), (',', ','), ('will', 'MD'), ('join', 'VB'), ('the', 'DT'), ('board', 'NN'), ('as', 'IN'), ('a', 'DT'), ('nonexecutive', 'JJ'), ('director', 'NN'), ...] 查看一个句子里的各个标签tags：
sent0 = tagged_sents[0] pprint(sent0) [('Pierre', 'NNP'), ('Vinken', 'NNP'), (',', ','), ('61', 'CD'), ('years', 'NNS'), ... 定义一个语法grammar来把这个句子转换成树状结构：
grammar = ''' Subject: {} ObjectInfo: { (S (Subject Pierre/NNP Vinken/NNP) ,/, (SubjectInfo 61/CD years/NNS old/JJ) ,/, (Action will/MD join/VB) (Object the/DT board/NN) as/IN a/DT (ObjectInfo nonexecutive/JJ director/NN) (Subject Nov./NNP) 29/CD ./.) 图形化地显示：
树trees和树库treebanks的概念是文本分析的一个强大的组成部分。
自主尝试
使用 Python 库，下载维基百科的 “open source” 页面，将得到的文本以图形化的树状结构展现出来。
命名实体识别
无论口语还是书面语都包含着重要数据。文本处理的主要目标之一，就是提取出关键数据。几乎所有应用场景所需要提取关键数据，比如航空公司的订票机器人或者问答机器人。 NLTK 为此提供了一个命名实体识别named entity recognition的功能。
这里有一个代码示例：
sentence = 'Peterson first suggested the name "open source" at Palo Alto, California' 验证这个句子里的人名name和地名place有没有被识别出来。照例先预处理：
import nltk words = nl(sentence) pos_tagged = nl(words) 运行命名实体标注器named-entity tagger：
ne_tagged = nl(pos_tagged) print("NE tagged text:") print(ne_tagged) print NE tagged text: (S (PERSON Peterson/NNP) first/RB suggested/VBD the/DT name/NN ``/`` open/JJ source/NN ''/'' at/IN (FACILITY Palo/NNP Alto/NNP) ,/, (GPE California/NNP)) 上面的结果里，命名实体被识别出来并做了标注；只提取这个树tree里的命名实体：
print("Recognized named entities:") for ne in ne_tagged: if hasattr(ne, "label"): prin, ne[0:]) Recognized named entities: PERSON [('Peterson', 'NNP')] FACILITY [('Palo', 'NNP'), ('Alto', 'NNP')] GPE [('California', 'NNP')] 图形化地显示：
ne_ NLTK 内置的命名实体标注器named-entity tagger，使用的是宾州法尼亚大学的 Automatic Content Extraction（ACE）程序。该标注器能够识别组织机构ORGANIZATION、人名PERSON、地名LOCATION、设施FACILITY和地缘政治实体geopolitical entity等常见实体entites。
NLTK 也可以使用其他标注器tagger，比如 Stanford Named Entity Recognizer. 这个经过训练的标注器用 Java 写成，但 NLTK 提供了一个使用它的接口（详情请查看nl或nl）。
自主尝试
使用 Python 库，下载维基百科的 “open source” 页面，并识别出对开源open source有影响力的人的名字，以及他们为开源open source做贡献的时间和地点。
高级实践
如果你准备好了，尝试用这篇文章以及此前的文章介绍的知识构建一个超级结构superstructure。
使用 Python 库，下载维基百科的 “Category: Computer science page”，然后：
- 找出其中频率最高的单词unigrams、二元搭配bigrams和三元搭配trigrams，将它们作为一个关键词列表或者技术列表。相关领域的学生或者工程师需要了解这样一份列表里的内容。
- 图形化地显示这个领域里重要的人名、技术、日期和地点。这会是一份很棒的信息图。
- 构建一个搜索引擎。你的搜索引擎性能能够超过维基百科吗？
下一步？
自然语言处理是应用构建application building的典型支柱。NLTK 是经典、丰富且强大的工具集，提供了为现实世界构建有吸引力、目标明确的应用的工作坊。
在这个系列的文章里，我用 NLTK 作为例子，展示了自然语言处理可以做什么。自然语言处理和 NLTK 还有太多东西值得探索，这个系列的文章只是帮助你探索它们的切入点。
如果你的需求增长到 NLTK 已经满足不了了，你可以训练新的模型或者向 NLTK 添加新的功能。基于 NLTK 构建的新的自然语言处理库正在不断涌现，机器学习也正被深度用于自然语言处理。
via:
作者：Girish Managoli选题：lujun9972译者：tanloong校对：wxy
本文由 LCTT原创编译，Linux中国荣誉推出