NLTK 是使用 Python 教學(xué)以及實踐計算語言學(xué)的極好工具。此外，計算語言學(xué)與人工 智能、語言/專門語言識別、翻譯以及語法檢查等領(lǐng)域關(guān)系密切。
NLTK 包括什么

NLTK 會被自然地看作是具有棧結(jié)構(gòu)的一系列層，這些層構(gòu)建于彼此基礎(chǔ)之上。那些熟悉人工語言（比如 Python）的文法 和解析的讀者來說，理解自然語言模型中類似的 —— 但更深奧的 —— 層不會有太大困難。
術(shù)語表

全集（Corpora）：相關(guān)文本的集合。例如，莎士比亞的作品可能被統(tǒng)稱為一個 文集（corpus）； 而若干個作者的作品稱為 全集。

直方圖（Histogram）：數(shù)據(jù)集中不同單詞、字母或其他條目的出現(xiàn)頻率的統(tǒng)計分布。

結(jié)構(gòu)（Syntagmatic）：對語段的研究；也就是全集中字母、單詞或短語連續(xù)出現(xiàn)的統(tǒng)計關(guān)系。

上下文無關(guān)語法（Context-free grammar）： 由四類形式語法構(gòu)成的 Noam Chomsky 層級中的第二類。參閱 參考資料 以獲得 詳盡描述。

盡管 NLTK 附帶了很多已經(jīng)預(yù)處理（通常是手工地）到不同程度的全集，但是概念上每一層 都是依賴于相鄰的更低層次的處理。首先是斷詞；然后是為單詞加上 標(biāo)簽；然后將成組 的單詞解析為語法元素，比如名詞短語或句子（取決于幾種技術(shù)中的某一種，每種技術(shù)都有其優(yōu)缺點）； 最后對最終語句或其他語法單元進(jìn)行分類。通過這些步驟，NLTK 讓您可以生成關(guān)于不同元素出現(xiàn)情況 的統(tǒng)計，并畫出描述處理過程本身或統(tǒng)計合計結(jié)果的圖表。

在本文中，您將看到關(guān)于低層能力的一些相對完整的示例，而對大部分高層次能力將只是進(jìn)行簡單抽象的描述。 現(xiàn)在讓我們來詳細(xì)分析文本處理的首要步驟。

斷詞（Tokenization）

您可以使用 NLTK 完成的很多工作，尤其是低層的工作，與使用 Python 的基本數(shù)據(jù)結(jié)構(gòu)來完成相比，并 沒有 太 大的區(qū)別。不過，NLTK 提供了一組由更高的層所依賴和使用的系統(tǒng)化的接口，而不只是 簡單地提供實用的類來處理加過標(biāo)志或加過標(biāo)簽的文本。

具體講， nltk.tokenizer.Token 類被廣泛地用于存儲文本的有注解的片斷；這些 注解可以標(biāo)記很多不同的特性，包括詞類（parts-of-speech）、子標(biāo)志（subtoken）結(jié)構(gòu)、一個標(biāo)志（token） 在更大文本中的偏移位置、語形詞干 （morphological stems）、文法語句成分，等等。實際上，一個 Token 是一種 特別的字典 —— 并且以字典形式訪問 —— 所以它可以容納任何您希望的鍵。在 NLTK 中使用了一些專門的鍵， 不同的鍵由不同的子程序包所使用。

讓我們來簡要地分析一下如何創(chuàng)建一個標(biāo)志并將其拆分為子標(biāo)志：
清單 1. 初識 nltk.tokenizer.Token 類

>>> from nltk.tokenizer import *
>>> t = Token(TEXT='This is my first test sentence')
>>> WSTokenizer().tokenize(t, addlocs=True) # break on whitespace
>>> print t['TEXT']
This is my first test sentence
>>> print t['SUBTOKENS']
[<This>@[0:4c], <is>@[5:7c], <my>@[8:10c], <first>@[11:16c],
<test>@[17:21c], <sentence>@[22:30c]]
>>> t['foo'] = 'bar'
>>> t
<TEXT='This is my first test sentence', foo='bar',
SUBTOKENS=[<This>@[0:4c], <is>@[5:7c], <my>@[8:10c], <first>@[11:16c],
<test>@[17:21c], <sentence>@[22:30c]]>
>>> print t['SUBTOKENS'][0]
<This>@[0:4c]
>>> print type(t['SUBTOKENS'][0])
<class 'nltk.token.SafeToken'>

概率（Probability）

對于語言全集，您可能要做的一件相當(dāng)簡單的事情是分析其中各種 事件（events） 的 頻率分布，并基于這些已知頻率分布做出概率預(yù)測。NLTK 支持多種基于自然頻率分布數(shù)據(jù)進(jìn)行概率預(yù)測的方法。 我將不會在這里介紹那些方法（參閱 參考資料 中列出的概率教程）， 只要說明您肯定會 期望的那些與您已經(jīng) 知道的 那些（不止是顯而易見的 縮放比例/正規(guī)化）之間有著一些模糊的關(guān)系就夠了。

基本來講，NLTK 支持兩種類型的頻率分布：直方圖和條件頻率分布（conditional frequency）。 nltk.probability.FreqDist 類用于創(chuàng)建直方圖；例如， 可以這樣創(chuàng)建一個單詞直方圖：
清單 2. 使用 nltk.probability.FreqDist 創(chuàng)建基本的直方圖

>>> from nltk.probability import *
>>> article = Token(TEXT=open('cp-b17.txt').read())
>>> WSTokenizer().tokenize(article)
>>> freq = FreqDist()
>>> for word in article['SUBTOKENS']:
...   freq.inc(word['TEXT'])
>>> freq.B()
1194
>>> freq.count('Python')
12

概率教程討論了關(guān)于更復(fù)雜特性的直方圖的創(chuàng)建，比如“以元音結(jié)尾的詞后面的詞的長度”。 nltk.draw.plot.Plot 類可用于直方圖的可視化顯示。當(dāng)然， 您也可以這樣分析高層次語法特性或者甚至是與 NLTK 無關(guān)的數(shù)據(jù)集的頻率分布。

條件頻率分布可能比普通的直方圖更有趣。條件頻率分布是一種二維直方圖 —— 它按每個初始條件或者“上下文”為您顯示 一個直方圖。例如，教程提出了一個對應(yīng)每個首字母的單詞長度分布問題。我們就以這樣分析：
清單 3. 條件頻率分布：對應(yīng)每個首字母的單詞長度

>>> cf = ConditionalFreqDist()
>>> for word in article['SUBTOKENS']:
...   cf[word['TEXT'][0]].inc(len(word['TEXT']))
...
>>> init_letters = cf.conditions()
>>> init_letters.sort()
>>> for c in init_letters[44:50]:
...   print "Init %s:" % c,
...   for length in range(1,6):
...     print "len %d/%.2f," % (length,cf[c].freq(n)),
...   print
...
Init a: len 1/0.03, len 2/0.03, len 3/0.03, len 4/0.03, len 5/0.03,
Init b: len 1/0.12, len 2/0.12, len 3/0.12, len 4/0.12, len 5/0.12,
Init c: len 1/0.06, len 2/0.06, len 3/0.06, len 4/0.06, len 5/0.06,
Init d: len 1/0.06, len 2/0.06, len 3/0.06, len 4/0.06, len 5/0.06,
Init e: len 1/0.18, len 2/0.18, len 3/0.18, len 4/0.18, len 5/0.18,
Init f: len 1/0.25, len 2/0.25, len 3/0.25, len 4/0.25, len 5/0.25,

條件頻率分布在語言方面的一個極好應(yīng)用是分析全集中的語段分布 —— 例如，給出一個特定的 詞，接下來最可能出現(xiàn)哪個詞。當(dāng)然，語法會帶來一些限制；不過，對句法選項的選擇的研究 屬于語義學(xué)、語用論和術(shù)語范疇。

詞干提取（Stemming）

nltk.stemmer.porter.PorterStemmer 類是一個用于從英文單詞中 獲得符合語法的（前綴）詞干的極其便利的工具。這一能力尤其讓我心動，因為我以前曾經(jīng)用 Python 創(chuàng)建了一個公用的、全文本索引的 搜索工具/庫（見 Developing a full-text indexer in Python 中的描述，它已經(jīng)用于相當(dāng)多的其他項目中）。

盡管對大量文檔進(jìn)行關(guān)于一組確切詞的搜索的能力是非常實用的（ gnosis.indexer 所做的工作）， 但是，對很多搜索用圖而言，稍微有一些模糊將會有所幫助。也許，您不能特別確定您正在尋找的電子郵件是否使用了單詞 “complicated”、“complications”、“complicating”或者“complicates”，但您卻記得那是大概涉及的內(nèi)容（可能與其他一些 詞共同來完成一次有價值的搜索）。

NLTK 中包括一個用于單詞詞干提取的極好算法，并且讓您可以按您的喜好定制詞干提取算法：
清單 4. 為語形根（morphological roots）提取單詞詞干

>>> from nltk.stemmer.porter import PorterStemmer
>>> PorterStemmer().stem_word('complications')
'complic'

實際上，您可以怎樣利用 gnosis.indexer 及其衍生工具或者完全不同的索引工具中的詞干 提取功能，取決于您的使用情景。幸運的是，gnosis.indexer 有一個易于進(jìn)行專門定制的 開放接口。您是否需要一個完全由詞干構(gòu)成的索引？或者您是否在索引中同時包括完整的單詞 和詞干？您是否需要將結(jié)果中的詞干匹配從確切匹配中分離出來？在未來版本的 gnosis.indexer 中我將引入一些種類詞干的提取能力，不過，最終用戶可能仍然希望進(jìn)行不同的定制。

無論如何，一般來說添加詞干提取是非常簡單的：首先，通過特別指定 gnosis.indexer.TextSplitter 來從一個文檔中獲得詞干；然后， 當(dāng)然執(zhí)行搜索時，（可選地）在使用搜索條件進(jìn)行索引查找之前提取其詞干，可能是通過定制 您的 MyIndexer.find() 方法來實現(xiàn)。

在使用 PorterStemmer 時我發(fā)現(xiàn) nltk.tokenizer.WSTokenizer 類確實如教程所警告的那樣不好用。它可以勝任概念上的角色，但是對于實際的文本而言，您可以更好地識別出什么是一個 “單詞”。幸運的是， gnosis.indexer.TextSplitter 是一個健壯的斷詞工具。例如：
清單 5. 基于拙劣的 NLTK 斷詞工具進(jìn)行詞干提取

>>> from nltk.tokenizer import *
>>> article = Token(TEXT=open('cp-b17.txt').read())
>>> WSTokenizer().tokenize(article)
>>> from nltk.probability import *
>>> from nltk.stemmer.porter import *
>>> stemmer = PorterStemmer()
>>> stems = FreqDist()
>>> for word in article['SUBTOKENS']:
...   stemmer.stem(word)
...   stems.inc(word['STEM'].lower())
...
>>> word_stems = stems.samples()
>>> word_stems.sort()
>>> word_stems[20:40]
['"generator-bas', '"implement', '"lazili', '"magic"', '"partial',
'"pluggable"', '"primitives"', '"repres', '"secur', '"semi-coroutines."',
'"state', '"understand', '"weightless', '"whatev', '#', '#-----',
'#----------', '#-------------', '#---------------', '#b17:']

查看一些詞干，集合中的詞干看起來并不是都可用于索引。很多根本不是實際的單詞，還有其他一些是 用破折號連接起來的組合詞，單詞中還被加入了一些不相干的標(biāo)點符號。讓我們使用更好的斷詞工具 來進(jìn)行嘗試：
清單 6. 使用斷詞工具中靈巧的啟發(fā)式方法來進(jìn)行詞干提取

>>> article = TS().text_splitter(open('cp-b17.txt').read())
>>> stems = FreqDist()
>>> for word in article:
...   stems.inc(stemmer.stem_word(word.lower()))
...
>>> word_stems = stems.samples()
>>> word_stems.sort()
>>> word_stems[60:80]
['bool', 'both', 'boundari', 'brain', 'bring', 'built', 'but', 'byte',
'call', 'can', 'cannot', 'capabl', 'capit', 'carri', 'case', 'cast',
'certain', 'certainli', 'chang', 'charm']

在這里，您可以看到有一些單詞有多個可能的擴(kuò)展，而且所有單詞看起來都像是單詞或者詞素。 斷詞方法對隨機(jī)文本集合來說至關(guān)重要；公平地講，NLTK 捆綁的全集已經(jīng)通過 WSTokenizer() 打包為易用且準(zhǔn)確的斷詞工具。要獲得健壯的實際可用的索引器，需要使用健壯的斷詞工具。

添加標(biāo)簽（tagging）、分塊（chunking）和解析（parsing）

NLTK 的最大部分由復(fù)雜程度各不相同的各種解析器構(gòu)成。在很大程度上，本篇介紹將不會 解釋它們的細(xì)節(jié)，不過，我愿意大概介紹一下它們要達(dá)成什么目的。

不要忘記標(biāo)志是特殊的字典這一背景 —— 具體說是那些可以包含一個 TAG 鍵以指明單詞的語法角色的標(biāo)志。NLTK 全集文檔通常有部分專門語言已經(jīng)預(yù)先添加了標(biāo)簽，不過，您當(dāng)然可以 將您自己的標(biāo)簽添加到?jīng)]有加標(biāo)簽的文檔。

分塊有些類似于“粗略解析”。也就是說，分塊工作的進(jìn)行，或者基于語法成分的已有標(biāo)志，或者基于 您手工添加的或者使用正則表達(dá)式和程序邏輯半自動生成的標(biāo)志。不過，確切地說，這不是真正的解析 （沒有同樣的生成規(guī)則）。例如：
清單 7. 分塊解析/添加標(biāo)簽：單詞和更大的單位

>>> from nltk.parser.chunk import ChunkedTaggedTokenizer
>>> chunked = "[ the/DT little/JJ cat/NN ] sat/VBD on/IN [ the/DT mat/NN ]"
>>> sentence = Token(TEXT=chunked)
>>> tokenizer = ChunkedTaggedTokenizer(chunk_node='NP')
>>> tokenizer.tokenize(sentence)
>>> sentence['SUBTOKENS'][0]
(NP: <the/DT> <little/JJ> <cat/NN>)
>>> sentence['SUBTOKENS'][0]['NODE']
'NP'
>>> sentence['SUBTOKENS'][0]['CHILDREN'][0]
<the/DT>
>>> sentence['SUBTOKENS'][0]['CHILDREN'][0]['TAG']
'DT'
>>> chunk_structure = TreeToken(NODE='S', CHILDREN=sentence['SUBTOKENS'])
(S:
 (NP: <the/DT> <little/JJ> <cat/NN>)
 <sat/VBD>
 <on/IN>
 (NP: <the/DT> <mat/NN>))

所提及的分塊工作可以由 nltk.tokenizer.RegexpChunkParser 類使用偽正則表達(dá)式來描述 構(gòu)成語法元素的一系列標(biāo)簽來完成。這里是概率教程中的一個例子：
清單 8. 使用標(biāo)簽上的正則表達(dá)式進(jìn)行分塊

>>> rule1 = ChunkRule('<DT>?<JJ.*>*<NN.*>',
...        'Chunk optional det, zero or more adj, and a noun')
>>> chunkparser = RegexpChunkParser([rule1], chunk_node='NP', top_node='S')
>>> chunkparser.parse(sentence)
>>> print sent['TREE']
(S: (NP: <the/DT> <little/JJ> <cat/NN>)
 <sat/VBD> <on/IN>
 (NP: <the/DT> <mat/NN>))

真正的解析將引領(lǐng)我們進(jìn)入很多理論領(lǐng)域。例如，top-down 解析器可以確保找到每一個可能的產(chǎn)品，但 可能會非常慢，因為要頻繁地（指數(shù)級）進(jìn)行回溯。Shift-reduce 效率更高，但是可能會錯過一些產(chǎn)品。 不論在哪種情況下，語法規(guī)則的聲明都類似于解析人工語言的語法聲明。本專欄曾經(jīng)介紹了其中的一些： SimpleParse 、 mx.TextTools 、 Spark 和 gnosis.xml.validity （參閱 參考資料）。

甚至，除了 top-down 和 shift-reduce 解析器以外，NLTK 還提供了“chart 解析器”，它可以創(chuàng)建部分假定， 這樣一個給定的序列就可以繼而完成一個規(guī)則。這種方法可以是既有效又完全的。舉一個生動的（玩具級的）例子：
清單 9. 為上下文無關(guān)語法定義基本的產(chǎn)品

>>> from nltk.parser.chart import *
>>> grammar = CFG.parse('''
...  S -> NP VP
...  VP -> V NP | VP PP
...  V -> "saw" | "ate"
...  NP -> "John" | "Mary" | "Bob" | Det N | NP PP
...  Det -> "a" | "an" | "the" | "my"
...  N -> "dog" | "cat" | "cookie"
...  PP -> P NP
...  P -> "on" | "by" | "with"
...  ''')
>>> sentence = Token(TEXT='John saw a cat with my cookie')
>>> WSTokenizer().tokenize(sentence)
>>> parser = ChartParser(grammar, BU_STRATEGY, LEAF='TEXT')
>>> parser.parse_n(sentence)
>>> for tree in sentence['TREES']: print tree
(S:
 (NP: <John>)
 (VP:
  (VP: (V: <saw>) (NP: (Det: <a>) (N: <cat>)))
  (PP: (P: <with>) (NP: (Det: <my>) (N: <cookie>)))))
(S:
 (NP: <John>)
 (VP:
  (V: <saw>)
  (NP:
   (NP: (Det: <a>) (N: <cat>))
   (PP: (P: <with>) (NP: (Det: <my>) (N: <cookie>))))))

probabilistic context-free grammar（或者說是 PCFG）是一種上下文無關(guān)語法， 它將其每一個產(chǎn)品關(guān)聯(lián)到一個概率。同樣，用于概率解析的解析器也捆綁到了 NLTK 中。

您在等待什么？

NLTK 還有其他本篇簡短介紹中不能涵蓋的重要功能。例如，NLTK 有一個完整的框架，用于通過類似于“naive Bayesian” 和“maximum entropy”等模型的統(tǒng)計技術(shù)進(jìn)行文本分類。 即使還有篇幅，現(xiàn)在我也還不能解釋其本質(zhì)。不過，我認(rèn)為，即使是 NLTK 較低的層，也可以成為一個既可用于教學(xué)應(yīng)用程序 也可用于實際應(yīng)用程序的實用框架。

最新評論