Python中一些自然语言工具的使用的入门教程

NLTK 是使用 Python 教学以及实践计算语言学的极好工具。此外，计算语言学与人工 智能、语言/专门语言识别、翻译以及语法检查等领域关系密切。
NLTK 包括什么

NLTK 会被自然地看作是具有栈结构的一系列层，这些层构建于彼此基础之上。那些熟悉人工语言（比如 Python）的文法 和解析的读者来说，理解自然语言模型中类似的 —— 但更深奥的 —— 层不会有太大困难。
术语表

全集（Corpora）：相关文本的集合。例如，莎士比亚的作品可能被统称为一个 文集（corpus）； 而若干个作者的作品称为 全集。

直方图（Histogram）：数据集中不同单词、字母或其他条目的出现频率的统计分布。

结构（Syntagmatic）：对语段的研究；也就是全集中字母、单词或短语连续出现的统计关系。

上下文无关语法（Context-free grammar）： 由四类形式语法构成的 Noam Chomsky 层级中的第二类。参阅 参考资料 以获得 详尽描述。

尽管 NLTK 附带了很多已经预处理（通常是手工地）到不同程度的全集，但是概念上每一层 都是依赖于相邻的更低层次的处理。首先是断词；然后是为单词加上 标签；然后将成组 的单词解析为语法元素，比如名词短语或句子（取决于几种技术中的某一种，每种技术都有其优缺点）； 最后对最终语句或其他语法单元进行分类。通过这些步骤，NLTK 让您可以生成关于不同元素出现情况 的统计，并画出描述处理过程本身或统计合计结果的图表。

在本文中，您将看到关于低层能力的一些相对完整的示例，而对大部分高层次能力将只是进行简单抽象的描述。 现在让我们来详细分析文本处理的首要步骤。

断词（Tokenization）

您可以使用 NLTK 完成的很多工作，尤其是低层的工作，与使用 Python 的基本数据结构来完成相比，并 没有 太 大的区别。不过，NLTK 提供了一组由更高的层所依赖和使用的系统化的接口，而不只是 简单地提供实用的类来处理加过标志或加过标签的文本。

具体讲， nltk.tokenizer.Token 类被广泛地用于存储文本的有注解的片断；这些 注解可以标记很多不同的特性，包括词类（parts-of-speech）、子标志（subtoken）结构、一个标志（token） 在更大文本中的偏移位置、语形词干 （morphological stems）、文法语句成分，等等。实际上，一个 Token 是一种 特别的字典 —— 并且以字典形式访问 —— 所以它可以容纳任何您希望的键。在 NLTK 中使用了一些专门的键， 不同的键由不同的子程序包所使用。

让我们来简要地分析一下如何创建一个标志并将其拆分为子标志：
清单 1. 初识 nltk.tokenizer.Token 类

>>> 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）

对于语言全集，您可能要做的一件相当简单的事情是分析其中各种 事件（events） 的 频率分布，并基于这些已知频率分布做出概率预测。NLTK 支持多种基于自然频率分布数据进行概率预测的方法。 我将不会在这里介绍那些方法（参阅 参考资料 中列出的概率教程）， 只要说明您肯定会 期望的那些与您已经 知道的 那些（不止是显而易见的 缩放比例/正规化）之间有着一些模糊的关系就够了。

基本来讲，NLTK 支持两种类型的频率分布：直方图和条件频率分布（conditional frequency）。 nltk.probability.FreqDist 类用于创建直方图；例如， 可以这样创建一个单词直方图：
清单 2. 使用 nltk.probability.FreqDist 创建基本的直方图

>>> 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

概率教程讨论了关于更复杂特性的直方图的创建，比如“以元音结尾的词后面的词的长度”。 nltk.draw.plot.Plot 类可用于直方图的可视化显示。当然， 您也可以这样分析高层次语法特性或者甚至是与 NLTK 无关的数据集的频率分布。

条件频率分布可能比普通的直方图更有趣。条件频率分布是一种二维直方图 —— 它按每个初始条件或者“上下文”为您显示 一个直方图。例如，教程提出了一个对应每个首字母的单词长度分布问题。我们就以这样分析：
清单 3. 条件频率分布：对应每个首字母的单词长度

>>> 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,

条件频率分布在语言方面的一个极好应用是分析全集中的语段分布 —— 例如，给出一个特定的 词，接下来最可能出现哪个词。当然，语法会带来一些限制；不过，对句法选项的选择的研究 属于语义学、语用论和术语范畴。

词干提取（Stemming）

nltk.stemmer.porter.PorterStemmer 类是一个用于从英文单词中 获得符合语法的（前缀）词干的极其便利的工具。这一能力尤其让我心动，因为我以前曾经用 Python 创建了一个公用的、全文本索引的 搜索工具/库（见 Developing a full-text indexer in Python 中的描述，它已经用于相当多的其他项目中）。

尽管对大量文档进行关于一组确切词的搜索的能力是非常实用的（ gnosis.indexer 所做的工作）， 但是，对很多搜索用图而言，稍微有一些模糊将会有所帮助。也许，您不能特别确定您正在寻找的电子邮件是否使用了单词 “complicated”、“complications”、“complicating”或者“complicates”，但您却记得那是大概涉及的内容（可能与其他一些 词共同来完成一次有价值的搜索）。

NLTK 中包括一个用于单词词干提取的极好算法，并且让您可以按您的喜好定制词干提取算法：
清单 4. 为语形根（morphological roots）提取单词词干

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

实际上，您可以怎样利用 gnosis.indexer 及其衍生工具或者完全不同的索引工具中的词干 提取功能，取决于您的使用情景。幸运的是，gnosis.indexer 有一个易于进行专门定制的 开放接口。您是否需要一个完全由词干构成的索引？或者您是否在索引中同时包括完整的单词 和词干？您是否需要将结果中的词干匹配从确切匹配中分离出来？在未来版本的 gnosis.indexer 中我将引入一些种类词干的提取能力，不过，最终用户可能仍然希望进行不同的定制。

无论如何，一般来说添加词干提取是非常简单的：首先，通过特别指定 gnosis.indexer.TextSplitter 来从一个文档中获得词干；然后， 当然执行搜索时，（可选地）在使用搜索条件进行索引查找之前提取其词干，可能是通过定制 您的 MyIndexer.find() 方法来实现。

在使用 PorterStemmer 时我发现 nltk.tokenizer.WSTokenizer 类确实如教程所警告的那样不好用。它可以胜任概念上的角色，但是对于实际的文本而言，您可以更好地识别出什么是一个 “单词”。幸运的是， gnosis.indexer.TextSplitter 是一个健壮的断词工具。例如：
清单 5. 基于拙劣的 NLTK 断词工具进行词干提取

>>> 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:']

查看一些词干，集合中的词干看起来并不是都可用于索引。很多根本不是实际的单词，还有其他一些是 用破折号连接起来的组合词，单词中还被加入了一些不相干的标点符号。让我们使用更好的断词工具 来进行尝试：
清单 6. 使用断词工具中灵巧的启发式方法来进行词干提取

>>> 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']

在这里，您可以看到有一些单词有多个可能的扩展，而且所有单词看起来都像是单词或者词素。 断词方法对随机文本集合来说至关重要；公平地讲，NLTK 捆绑的全集已经通过 WSTokenizer() 打包为易用且准确的断词工具。要获得健壮的实际可用的索引器，需要使用健壮的断词工具。

添加标签（tagging）、分块（chunking）和解析（parsing）

NLTK 的最大部分由复杂程度各不相同的各种解析器构成。在很大程度上，本篇介绍将不会 解释它们的细节，不过，我愿意大概介绍一下它们要达成什么目的。

不要忘记标志是特殊的字典这一背景 —— 具体说是那些可以包含一个 TAG 键以指明单词的语法角色的标志。NLTK 全集文档通常有部分专门语言已经预先添加了标签，不过，您当然可以 将您自己的标签添加到没有加标签的文档。

分块有些类似于“粗略解析”。也就是说，分块工作的进行，或者基于语法成分的已有标志，或者基于 您手工添加的或者使用正则表达式和程序逻辑半自动生成的标志。不过，确切地说，这不是真正的解析 （没有同样的生成规则）。例如：
清单 7. 分块解析/添加标签：单词和更大的单位

>>> 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>))

所提及的分块工作可以由 nltk.tokenizer.RegexpChunkParser 类使用伪正则表达式来描述 构成语法元素的一系列标签来完成。这里是概率教程中的一个例子：
清单 8. 使用标签上的正则表达式进行分块

>>> 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>))

真正的解析将引领我们进入很多理论领域。例如，top-down 解析器可以确保找到每一个可能的产品，但 可能会非常慢，因为要频繁地（指数级）进行回溯。Shift-reduce 效率更高，但是可能会错过一些产品。 不论在哪种情况下，语法规则的声明都类似于解析人工语言的语法声明。本专栏曾经介绍了其中的一些： SimpleParse 、 mx.TextTools 、 Spark 和 gnosis.xml.validity （参阅 参考资料）。

甚至，除了 top-down 和 shift-reduce 解析器以外，NLTK 还提供了“chart 解析器”，它可以创建部分假定， 这样一个给定的序列就可以继而完成一个规则。这种方法可以是既有效又完全的。举一个生动的（玩具级的）例子：
清单 9. 为上下文无关语法定义基本的产品

>>> 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（或者说是 PCFG）是一种上下文无关语法， 它将其每一个产品关联到一个概率。同样，用于概率解析的解析器也捆绑到了 NLTK 中。

您在等待什么？

NLTK 还有其他本篇简短介绍中不能涵盖的重要功能。例如，NLTK 有一个完整的框架，用于通过类似于“naive Bayesian” 和“maximum entropy”等模型的统计技术进行文本分类。 即使还有篇幅，现在我也还不能解释其本质。不过，我认为，即使是 NLTK 较低的层，也可以成为一个既可用于教学应用程序 也可用于实际应用程序的实用框架。