浅谈Python NLP入门教程
正文 本文简要介绍Python自然语言处理(NLP),使用Python的NLTK库。NLTK是Python的自然语言处理工具包,在NLP领域中,最常使用的一个Python库。 什么是NLP? 简单来说,自然语言处理(NLP)就是开发能够理解人类语言的应用程序或服务。 这里讨论一些自然语言处理(NLP)的实际应用例子,如语音识别、语音翻译、理解完整的句子、理解匹配词的同义词,以及生成语法正确完整句子和段落。 这并不是NLP能做的所有事情。 NLP实现 搜索引擎: 比如谷歌,Yahoo等。谷歌搜索引擎知道你是一个技术人员,所以它显示与技术相关的结果; 社交网站推送:比如Facebook News Feed。如果News Feed算法知道你的兴趣是自然语言处理,就会显示相关的广告和帖子。 语音引擎:比如Apple的Siri。 垃圾邮件过滤:如谷歌垃圾邮件过滤器。和普通垃圾邮件过滤不同,它通过了解邮件内容里面的的深层意义,来判断是不是垃圾邮件。 NLP库 下面是一些开源的自然语言处理库(NLP):
其中自然语言工具包(NLTK)是最受欢迎的自然语言处理库(NLP),它是用Python编写的,而且背后有非常强大的社区支持。 NLTK也很容易上手,实际上,它是最简单的自然语言处理(NLP)库。 在这个NLP教程中,我们将使用Python NLTK库。 安装 NLTK 如果您使用的是Windows/Linux/Mac,您可以使用pip安装NLTK: pip install nltk 打开python终端导入NLTK检查NLTK是否正确安装: import nltk 如果一切顺利,这意味着您已经成功地安装了NLTK库。首次安装了NLTK,需要通过运行以下代码来安装NLTK扩展包: import nltk nltk.download() 这将弹出NLTK 下载窗口来选择需要安装哪些包: 您可以安装所有的包,因为它们的大小都很小,所以没有什么问题。 使用Python Tokenize文本 首先,我们将抓取一个web页面内容,然后分析文本了解页面的内容。 我们将使用urllib模块来抓取web页面: import urllib.request response = urllib.request.urlopen('http://php.net/') html = response.read() print (html) 从打印结果中可以看到,结果包含许多需要清理的HTML标签。 然后BeautifulSoup模块来清洗这样的文字: from bs4 import BeautifulSoup import urllib.request response = urllib.request.urlopen('http://php.net/') html = response.read() soup = BeautifulSoup(html,"html5lib") # 这需要安装html5lib模块 text = soup.get_text(strip=True) print (text) 现在我们从抓取的网页中得到了一个干净的文本。 下一步,将文本转换为tokens,像这样: from bs4 import BeautifulSoup import urllib.request response = urllib.request.urlopen('http://php.net/') html = response.read() soup = BeautifulSoup(html,"html5lib") text = soup.get_text(strip=True) tokens = text.split() print (tokens) 统计词频 text已经处理完毕了,现在使用Python NLTK统计token的频率分布。 可以通过调用NLTK中的FreqDist()方法实现: from bs4 import BeautifulSoup import urllib.request import nltk response = urllib.request.urlopen('http://php.net/') html = response.read() soup = BeautifulSoup(html,"html5lib") text = soup.get_text(strip=True) tokens = text.split() freq = nltk.FreqDist(tokens) for key,val in freq.items(): print (str(key) + ':' + str(val)) 如果搜索输出结果,可以发现最常见的token是PHP。 您可以调用plot函数做出频率分布图: freq.plot(20,cumulative=False) # 需要安装matplotlib库 这上面这些单词。比如of,a,an等等,这些词都属于停用词。 一般来说,停用词应该删除,防止它们影响分析结果。 处理停用词 NLTK自带了许多种语言的停用词列表,如果你获取英文停用词: from nltk.corpus import stopwords stopwords.words('english') 现在,修改下代码,在绘图之前清除一些无效的token: clean_tokens = list() sr = stopwords.words('english') for token in tokens: if token not in sr: clean_tokens.append(token) 最终的代码应该是这样的: from bs4 import BeautifulSoup import urllib.request import nltk from nltk.corpus import stopwords response = urllib.request.urlopen('http://php.net/') html = response.read() soup = BeautifulSoup(html,"html5lib") text = soup.get_text(strip=True) tokens = text.split() clean_tokens = list() sr = stopwords.words('english') for token in tokens: if not token in sr: clean_tokens.append(token) freq = nltk.FreqDist(clean_tokens) for key,val in freq.items(): print (str(key) + ':' + str(val)) 现在再做一次词频统计图,效果会比之前好些,因为剔除了停用词: freq.plot(20,cumulative=False) 使用NLTK Tokenize文本 在之前我们用split方法将文本分割成tokens,现在我们使用NLTK来Tokenize文本。 文本没有Tokenize之前是无法处理的,所以对文本进行Tokenize非常重要的。token化过程意味着将大的部件分割为小部件。 你可以将段落tokenize成句子,将句子tokenize成单个词,NLTK分别提供了句子tokenizer和单词tokenizer。 假如有这样这段文本: Hello Adam,how are you? I hope everything is going well. Today is a good day,see you dude. 使用句子tokenizer将文本tokenize成句子: from nltk.tokenize import sent_tokenize mytext = "Hello Adam,see you dude." print(sent_tokenize(mytext)) 输出如下: ['Hello Adam,how are you?','I hope everything is going well.','Today is a good day,see you dude.'] 这是你可能会想,这也太简单了,不需要使用NLTK的tokenizer都可以,直接使用正则表达式来拆分句子就行,因为每个句子都有标点和空格。 那么再来看下面的文本: Hello Mr. Adam,see you dude. 这样如果使用标点符号拆分,Hello Mr将会被认为是一个句子,如果使用NLTK: from nltk.tokenize import sent_tokenize mytext = "Hello Mr. Adam,see you dude." print(sent_tokenize(mytext)) 输出如下: 这才是正确的拆分。 接下来试试单词tokenizer: from nltk.tokenize import word_tokenize mytext = "Hello Mr. Adam,see you dude." print(word_tokenize(mytext)) 输出如下: ['Hello','Mr.','Adam',','how','are','you','?','I','hope','everything','is','going','well','.','Today','a','good','day','see','dude','.'] Mr.这个词也没有被分开。NLTK使用的是punkt模块的PunktSentenceTokenizer,它是NLTK.tokenize的一部分。而且这个tokenizer经过训练,可以适用于多种语言。 非英文Tokenize Tokenize时可以指定语言: from nltk.tokenize import sent_tokenize mytext = "Bonjour M. Adam,comment allez-vous? J'espère que tout va bien. Aujourd'hui est un bon jour." print(sent_tokenize(mytext,"french")) 输出结果如下: ['Bonjour M. Adam,comment allez-vous?',"J'espère que tout va bien.","Aujourd'hui est un bon jour."] 同义词处理 使用nltk.download()安装界面,其中一个包是WordNet。 WordNet是一个为自然语言处理而建立的数据库。它包括一些同义词组和一些简短的定义。 您可以这样获取某个给定单词的定义和示例: from nltk.corpus import wordnet syn = wordnet.synsets("pain") print(syn[0].definition()) print(syn[0].examples()) 输出结果是: a symptom of some physical hurt or disorder WordNet包含了很多定义: from nltk.corpus import wordnet syn = wordnet.synsets("NLP") print(syn[0].definition()) syn = wordnet.synsets("Python") print(syn[0].definition()) 结果如下: the branch of information science that deals with natural language information 可以像这样使用WordNet来获取同义词: from nltk.corpus import wordnet synonyms = [] for syn in wordnet.synsets('Computer'): for lemma in syn.lemmas(): synonyms.append(lemma.name()) print(synonyms) 输出: ['computer','computing_machine','computing_device','data_processor','electronic_computer','information_processing_system','calculator','reckoner','figurer','estimator','computer'] 反义词处理 也可以用同样的方法得到反义词: from nltk.corpus import wordnet antonyms = [] for syn in wordnet.synsets("small"): for l in syn.lemmas(): if l.antonyms(): antonyms.append(l.antonyms()[0].name()) print(antonyms) 输出: 词干提取 语言形态学和信息检索里,词干提取是去除词缀得到词根的过程,例如working的词干为work。 搜索引擎在索引页面时就会使用这种技术,所以很多人为相同的单词写出不同的版本。 有很多种算法可以避免这种情况,最常见的是波特词干算法。NLTK有一个名为PorterStemmer的类,就是这个算法的实现: from nltk.stem import PorterStemmer stemmer = PorterStemmer() print(stemmer.stem('working')) print(stemmer.stem('worked')) 输出结果是: work 还有其他的一些词干提取算法,比如 Lancaster词干算法。 非英文词干提取 除了英文之外,SnowballStemmer还支持13种语言。 支持的语言: from nltk.stem import SnowballStemmer print(SnowballStemmer.languages) 'danish','dutch','english','finnish','french','german','hungarian','italian','norwegian','porter','portuguese','romanian','russian','spanish','swedish' 你可以使用SnowballStemmer类的stem函数来提取像这样的非英文单词: from nltk.stem import SnowballStemmer french_stemmer = SnowballStemmer('french') print(french_stemmer.stem("French word")) 单词变体还原 单词变体还原类似于词干,但不同的是,变体还原的结果是一个真实的单词。不同于词干,当你试图提取某些词时,它会产生类似的词: from nltk.stem import PorterStemmer stemmer = PorterStemmer() print(stemmer.stem('increases')) 结果: increas 现在,如果用NLTK的WordNet来对同一个单词进行变体还原,才是正确的结果: from nltk.stem import WordNetLemmatizer lemmatizer = WordNetLemmatizer() print(lemmatizer.lemmatize('increases')) 结果: increase 结果可能会是一个同义词或同一个意思的不同单词。 有时候将一个单词做变体还原时,总是得到相同的词。 这是因为语言的默认部分是名词。要得到动词,可以这样指定: from nltk.stem import WordNetLemmatizer lemmatizer = WordNetLemmatizer() print(lemmatizer.lemmatize('playing',pos="v")) 结果: 实际上,这也是一种很好的文本压缩方式,最终得到文本只有原先的50%到60%。 结果还可以是动词(v)、名词(n)、形容词(a)或副词(r): from nltk.stem import WordNetLemmatizer lemmatizer = WordNetLemmatizer() print(lemmatizer.lemmatize('playing',pos="v")) print(lemmatizer.lemmatize('playing',pos="n")) print(lemmatizer.lemmatize('playing',pos="a")) print(lemmatizer.lemmatize('playing',pos="r")) 输出: 词干和变体的区别 通过下面例子来观察: from nltk.stem import WordNetLemmatizer from nltk.stem import PorterStemmer stemmer = PorterStemmer() lemmatizer = WordNetLemmatizer() print(stemmer.stem('stones')) print(stemmer.stem('speaking')) print(stemmer.stem('bedroom')) print(stemmer.stem('jokes')) print(stemmer.stem('lisa')) print(stemmer.stem('purple')) print('----------------------') print(lemmatizer.lemmatize('stones')) print(lemmatizer.lemmatize('speaking')) print(lemmatizer.lemmatize('bedroom')) print(lemmatizer.lemmatize('jokes')) print(lemmatizer.lemmatize('lisa')) print(lemmatizer.lemmatize('purple')) 输出: 词干提取不会考虑语境,这也是为什么词干提取比变体还原快且准确度低的原因。 个人认为,变体还原比词干提取更好。单词变体还原返回一个真实的单词,即使它不是同一个单词,也是同义词,但至少它是一个真实存在的单词。 如果你只关心速度,不在意准确度,这时你可以选用词干提取。 在此NLP教程中讨论的所有步骤都只是文本预处理。在以后的文章中,将会使用Python NLTK来实现文本分析。 我已经尽量使文章通俗易懂。希望能对你有所帮助。也希望大家多多支持编程小技巧。 (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |