用python實現入門級NLP

今天看到一篇博文，是講通過python爬一個頁面，並統計頁面詞頻的腳本，感覺蠻有意思的

Python NLP入門教程：http://python.jobbole.com/88874/

本文簡要介紹Python自然語言處理(NLP)，使用Python的NLTK庫。NLTK是Python的自然語言處理工具包，在NLP領域中，最常使用的一個Python庫。

什么是NLP？

簡單來說，自然語言處理(NLP)就是開發能夠理解人類語言的應用程序或服務。

這里討論一些自然語言處理(NLP)的實際應用例子，如語音識別、語音翻譯、理解完整的句子、理解匹配詞的同義詞，以及生成語法正確完整句子和段落。

這並不是NLP能做的所有事情。

NLP實現

搜索引擎: 比如谷歌，Yahoo等。谷歌搜索引擎知道你是一個技術人員，所以它顯示與技術相關的結果；

社交網站推送:比如Facebook News Feed。如果News Feed算法知道你的興趣是自然語言處理，就會顯示相關的廣告和帖子。

語音引擎:比如Apple的Siri。

垃圾郵件過濾:如谷歌垃圾郵件過濾器。和普通垃圾郵件過濾不同，它通過了解郵件內容里面的的深層意義，來判斷是不是垃圾郵件。

NLP庫

下面是一些開源的自然語言處理庫(NLP)：

• Natural language toolkit (NLTK);
• Apache OpenNLP;
• Stanford NLP suite;
• Gate NLP library

其中自然語言工具包(NLTK)是最受歡迎的自然語言處理庫(NLP)，它是用Python編寫的，而且背后有非常強大的社區支持。

NLTK也很容易上手，實際上，它是最簡單的自然語言處理(NLP)庫。

在這個NLP教程中，我們將使用Python NLTK庫。

安裝 NLTK

如果您使用的是Windows/Linux/Mac，您可以使用pip安裝NLTK:

pip install nltk

　　

打開python終端導入NLTK檢查NLTK是否正確安裝：

import nltk

 

如果一切順利，這意味着您已經成功地安裝了NLTK庫。首次安裝了NLTK，需要通過運行以下代碼來安裝NLTK擴展包:

import nltk
 
nltk.download()

 

這將彈出NLTK 下載窗口來選擇需要安裝哪些包:

您可以安裝所有的包，因為它們的大小都很小，所以沒有什么問題。

使用Python Tokenize文本

首先，我們將抓取一個web頁面內容，然后分析文本了解頁面的內容。

我們將使用urllib模塊來抓取web頁面:

import urllib.request
 
response = urllib.request.urlopen('http://php.net/')
html = response.read()
print (html)

 

從打印結果中可以看到，結果包含許多需要清理的HTML標簽。
然后BeautifulSoup模塊來清洗這樣的文字:

from bs4 import BeautifulSoup
 
import urllib.request
response = urllib.request.urlopen('http://php.net/')
html = response.read()
soup = BeautifulSoup(html,"html5lib")
# 這需要安裝html5lib模塊
text = soup.get_text(strip=True)
print (text)

　　

現在我們從抓取的網頁中得到了一個干凈的文本。
下一步，將文本轉換為tokens,像這樣:

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)

 

統計詞頻

text已經處理完畢了，現在使用Python NLTK統計token的頻率分布。

可以通過調用NLTK中的FreqDist()方法實現:

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))

 

如果搜索輸出結果，可以發現最常見的token是PHP。
您可以調用plot函數做出頻率分布圖:

freq.plot(20, cumulative=False)
# 需要安裝matplotlib庫

 

這上面這些單詞。比如of,a,an等等，這些詞都屬於停用詞。

一般來說，停用詞應該刪除，防止它們影響分析結果。

處理停用詞

NLTK自帶了許多種語言的停用詞列表，如果你獲取英文停用詞:

from nltk.corpus import stopwords
 
stopwords.words('english')

　　

現在，修改下代碼,在繪圖之前清除一些無效的token:

clean_tokens = list()
sr = stopwords.words('english')
for token in tokens:
    if token not in sr:
        clean_tokens.append(token)

　

最終的代碼應該是這樣的:

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))

 

現在再做一次詞頻統計圖，效果會比之前好些，因為剔除了停用詞:

freq.plot(20,cumulative=False)

 

使用NLTK Tokenize文本

在之前我們用split方法將文本分割成tokens，現在我們使用NLTK來Tokenize文本。

文本沒有Tokenize之前是無法處理的，所以對文本進行Tokenize非常重要的。token化過程意味着將大的部件分割為小部件。

你可以將段落tokenize成句子，將句子tokenize成單個詞，NLTK分別提供了句子tokenizer和單詞tokenizer。

假如有這樣這段文本:

Hello Adam, how are you? I hope everything is going well. Today is a good day, see you dude.

　　

使用句子tokenizer將文本tokenize成句子:

from nltk.tokenize import sent_tokenize
 
mytext = "Hello Adam, how are you? I hope everything is going well. Today is a good day, see you dude."
print(sent_tokenize(mytext))

　　

輸出如下:

['Hello Adam, how are you?', 'I hope everything is going well.', 'Today is a good day, see you dude.']

 

 

這是你可能會想，這也太簡單了，不需要使用NLTK的tokenizer都可以，直接使用正則表達式來拆分句子就行，因為每個句子都有標點和空格。

那么再來看下面的文本:

Hello Mr. Adam, how are you? I hope everything is going well. Today is a good day, see you dude.

1

這樣如果使用標點符號拆分,Hello Mr將會被認為是一個句子，如果使用NLTK:

from nltk.tokenize import sent_tokenize
 
mytext = "Hello Mr. Adam, how are you? I hope everything is going well. Today is a good day, see you dude."
print(sent_tokenize(mytext))

 

輸出如下:

['Hello Mr. Adam, how are you?', 'I hope everything is going well.', 'Today is a good day, see you dude.']

　

這才是正確的拆分。

接下來試試單詞tokenizer:

from nltk.tokenize import word_tokenize
 
mytext = "Hello Mr. Adam, how are you? I hope everything is going well. Today is a good day, see you dude."
print(word_tokenize(mytext))

 

輸出如下:

['Hello', 'Mr.', 'Adam', ',', 'how', 'are', 'you', '?', 'I', 'hope', 'everything', 'is', 'going', 'well', '.', 'Today', 'is', 'a', 'good', 'day', ',', 'see', 'you', 'dude', '.']

 

Mr.這個詞也沒有被分開。NLTK使用的是punkt模塊的PunktSentenceTokenizer，它是NLTK.tokenize的一部分。而且這個tokenizer經過訓練，可以適用於多種語言。

非英文Tokenize

Tokenize時可以指定語言:

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"))

　　

輸出結果如下:

['Bonjour M. Adam, comment allez-vous?', "J'espère que tout va bien.", "Aujourd'hui est un bon jour."]

 

 

同義詞處理

使用nltk.download()安裝界面，其中一個包是WordNet。

WordNet是一個為自然語言處理而建立的數據庫。它包括一些同義詞組和一些簡短的定義。

您可以這樣獲取某個給定單詞的定義和示例:

from nltk.corpus import wordnet
 
syn = wordnet.synsets("pain")
print(syn[0].definition())
print(syn[0].examples())

　

輸出結果是:

a symptom of some physical hurt or disorder
['the patient developed severe pain and distension']

 

WordNet包含了很多定義：

from nltk.corpus import wordnet
 
syn = wordnet.synsets("NLP")
print(syn[0].definition())
syn = wordnet.synsets("Python")
print(syn[0].definition())

 

結果如下:

the branch of information science that deals with natural language information
large Old World boas

　

可以像這樣使用WordNet來獲取同義詞:

from nltk.corpus import wordnet
 
synonyms = []
for syn in wordnet.synsets('Computer'):
    for lemma in syn.lemmas():
        synonyms.append(lemma.name())
print(synonyms)

 

輸出:

['computer', 'computing_machine', 'computing_device', 'data_processor', 'electronic_computer', 'information_processing_system', 'calculator', 'reckoner', 'figurer', 'estimator', 'computer']

　　

 

反義詞處理

也可以用同樣的方法得到反義詞：

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)

　　

輸出:

['large', 'big', 'big']

　

 

詞干提取

語言形態學和信息檢索里，詞干提取是去除詞綴得到詞根的過程，例如working的詞干為work。

搜索引擎在索引頁面時就會使用這種技術，所以很多人為相同的單詞寫出不同的版本。

有很多種算法可以避免這種情況，最常見的是波特詞干算法。NLTK有一個名為PorterStemmer的類，就是這個算法的實現:

from nltk.stem import PorterStemmer
 
stemmer = PorterStemmer()
print(stemmer.stem('working'))
print(stemmer.stem('worked'))

 

輸出結果是:

work
work

　　

還有其他的一些詞干提取算法，比如 Lancaster詞干算法。

非英文詞干提取

除了英文之外，SnowballStemmer還支持13種語言。

支持的語言:

from nltk.stem import SnowballStemmer
 
print(SnowballStemmer.languages)

　　

輸出結果是:

'danish', 'dutch', 'english', 'finnish', 'french', 'german', 'hungarian', 'italian', 'norwegian', 'porter', 'portuguese', 'romanian', 'russian', 'spanish', 'swedish'

　　

你可以使用SnowballStemmer類的stem函數來提取像這樣的非英文單詞：

from nltk.stem import SnowballStemmer
 
french_stemmer = SnowballStemmer('french')
 
print(french_stemmer.stem("French word"))

　　

 

單詞變體還原

單詞變體還原類似於詞干，但不同的是，變體還原的結果是一個真實的單詞。不同於詞干，當你試圖提取某些詞時，它會產生類似的詞:

from nltk.stem import PorterStemmer
 
stemmer = PorterStemmer()
 
print(stemmer.stem('increases'))

　

結果:

increas

　　

現在，如果用NLTK的WordNet來對同一個單詞進行變體還原，才是正確的結果:

from nltk.stem import WordNetLemmatizer
 
lemmatizer = WordNetLemmatizer()
 
print(lemmatizer.lemmatize('increases'))

 

結果:

increase

　　

結果可能會是一個同義詞或同一個意思的不同單詞。

有時候將一個單詞做變體還原時，總是得到相同的詞。

這是因為語言的默認部分是名詞。要得到動詞，可以這樣指定：

from nltk.stem import WordNetLemmatizer
 
lemmatizer = WordNetLemmatizer()
 
print(lemmatizer.lemmatize('playing', pos="v"))

　　

結果:

play

　　

實際上，這也是一種很好的文本壓縮方式，最終得到文本只有原先的50%到60%。

結果還可以是動詞(v)、名詞(n)、形容詞(a)或副詞(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"))

　　

輸出:

play
playing
playing
playing

　　

詞干和變體的區別

通過下面例子來觀察:

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'))

　　

輸出:

stone
speak
bedroom
joke
lisa
purpl
---------------------
stone
speaking
bedroom
joke
lisa
purple

　　

詞干提取不會考慮語境，這也是為什么詞干提取比變體還原快且准確度低的原因。

個人認為，變體還原比詞干提取更好。單詞變體還原返回一個真實的單詞，即使它不是同一個單詞，也是同義詞，但至少它是一個真實存在的單詞。

如果你只關心速度，不在意准確度，這時你可以選用詞干提取。

在此NLP教程中討論的所有步驟都只是文本預處理。在以后的文章中，將會使用Python NLTK來實現文本分析。

我已經盡量使文章通俗易懂。希望能對你有所幫助。