1. 程式人生 > >Python 自然語言處理(基於jieba分詞和NLTK)

Python 自然語言處理(基於jieba分詞和NLTK)

----------歡迎加入學習交流QQ群:657341423

自然語言處理是人工智慧的類別之一。自然語言處理主要有那些功能?我們以百度AI為例
這裡寫圖片描述
從上述的例子可以看到,自然語言處理最基本的功能是詞法分析,詞法分析的功能主要有:

  1. 分詞分句
  2. 詞語標註
  3. 詞法時態(適用於英文詞語)
  4. 關鍵詞提前(詞幹提取)

由於英文和中文在文化上存在巨大的差異,因此Python處理英文和中文需要使用不同的模組,中文處理推薦使用jieba模組,英文處理推薦使用nltk模組。模組安裝方法可自行搜尋相關資料。

英文處理

import nltk
f = open('aa.txt','r',encoding='utf-8')
text = f.read()
f.close()


----------


# sent_tokenize 文字分句處理,text是一個英文句子或文章
value = nltk.sent_tokenize(text)
print(value)
# word_tokenize 分詞處理,分詞不支援中文
for i in value:
    words = nltk.word_tokenize(text=i)
    print(words)
    


----------


# pos_tag 詞性標註,pos_tag以一組詞為單位,words是列表組成的詞語列表
words = ['My','name','is','Lucy']
tags = nltk.pos_tag(words)
print(tags)


----------


# 時態,過去詞,進行時等
# 詞語列表的時態復原,如果單詞是全變形的無法識別
from nltk.stem import PorterStemmer
data = nltk.word_tokenize(text="worked presumably goes play,playing,played",language="english")
ps = PorterStemmer()
for w in data:
    print(w,":",ps.stem(word=w))
# 單個詞語的時態復原,如果單詞是全變形的無法識別
from nltk.stem import SnowballStemmer
snowball_stemmer = SnowballStemmer('english')
a = snowball_stemmer.stem('plays')
print(a)

# 複數復原,如果單詞是全變形的無法識別
from nltk.stem import WordNetLemmatizer
wordnet_lemmatizer = WordNetLemmatizer()
a = wordnet_lemmatizer.lemmatize('leaves')
print(a)


----------


# 詞幹提取,提前每個單詞的關鍵詞,然後可進行統計,得出詞頻
from nltk.stem.porter import PorterStemmer
porter = PorterStemmer()
a = porter.stem('pets insurance')
print(a)


----------


from nltk.corpus import wordnet
word = "good"

# 返回一個單詞的同義詞和反義詞列表
def Word_synonyms_and_antonyms(word):
    synonyms = []
    antonyms = []
    list_good = wordnet.synsets(word)
    for syn in list_good:
        # 獲取同義詞
        for l in syn.lemmas():
            synonyms.append(l.name())
            # 獲取反義詞
            if l.antonyms():
                antonyms.append(l.antonyms()[0].name())
    return (set(synonyms), set(antonyms))


# 返回一個單詞的同義詞列表
def Word_synonyms(word):
    list_synonyms_and_antonyms = Word_synonyms_and_antonyms(word)
    return list_synonyms_and_antonyms[0]

# 返回一個單詞的反義詞列表
def Word_antonyms(word):
    list_synonyms_and_antonyms = Word_synonyms_and_antonyms(word)
    return list_synonyms_and_antonyms[1]

print(Word_synonyms(word))
print(Word_antonyms(word))


----------


# 造句
print(wordnet.synset('name.n.01').examples())
# 詞義解釋
print(wordnet.synset('name.n.01').definition())


----------

from nltk.corpus import wordnet
# 詞義相似度.'go.v.01'的go為詞語,v為動詞
# w1 = wordnet.synset('fulfil.v.01')
# w2 = wordnet.synset('finish.v.01')
# 'hello.n.01'的n為名詞
w1 = wordnet.synset('hello.n.01')
w2 = wordnet.synset('hi.n.01')
# 基於路徑的方法
print(w1.wup_similarity(w2))# Wu-Palmer 提出的最短路徑
print(w1.path_similarity(w2))# 詞在詞典層次結構中的最短路徑
print(w1.lch_similarity(w2))# Leacock Chodorow 最短路徑加上類別資訊
# 基於互資訊的方法
from nltk.corpus import genesis
# 從語料庫載入資訊內容
# brown_ic = wordnet_ic.ic('ic-brown.dat')
# nltk自帶的語料庫建立資訊內容詞典
genesis_ic = wordnet.ic(genesis,False,0.0)
print(w1.res_similarity(w2,genesis_ic))
print(w1.jcn_similarity(w2,genesis_ic))
print(w1.lin_similarity(w2,genesis_ic))

由於上述的方法是建立在語料庫中,有時候一些不被記錄的單詞可能無法識別或標註。這時候需要自定義詞性標註器,詞性標註器的型別有幾種,具體教程可以看——>自定義詞性標註器

中文處理

import jieba
import jieba.analyse
f = open('aa.txt','r',encoding='utf-8')
text = f.read()
f.close()


----------


# 分詞
seg_list = jieba.cut(text, cut_all=True)
print("Full Mode: " + "/ ".join(seg_list))  # 全模式

seg_list = jieba.cut(text, cut_all=False)
print("Default Mode: " + "/ ".join(seg_list))  # 精確模式

seg_list = jieba.cut_for_search(text)  # 搜尋引擎模式
print(", ".join(seg_list))


----------


# 關鍵字提取
# 基於TF-IDF演算法的關鍵詞抽取
# sentence 為待提取的文字
# topK 為返回幾個 TF/IDF 權重最大的關鍵詞,預設值為 20
# withWeight 為是否一併返回關鍵詞權重值,預設值為 False
# allowPOS 僅包括指定詞性的詞,預設值為空,即不篩選
keywords = jieba.analyse.extract_tags(sentence=text, topK=20, withWeight=True, allowPOS=('n','nr','ns'))
# 基於TextRank演算法的關鍵詞抽取
# keywords = jieba.analyse.textrank(text, topK=20, withWeight=True, allowPOS=('n','nr','ns'))
for item in keywords:
    print(item[0],item[1])


----------


# 詞語標註
import jieba.posseg
# 新建自定義分詞器,tokenizer 引數可指定內部使用的 jieba.Tokenizer 分詞器。jieba.posseg.dt 為預設詞性標註分詞器。
posseg = jieba.posseg.POSTokenizer(tokenizer=None)
words = posseg.cut(text)
for word, flag in words:
    print('%s %s' % (word, flag))

jieba分詞也是基於語料庫,我們可以對原有的語料庫新增詞語,或者匯入自定義的語料檔案,如下所示:

# 對原有的語料庫新增詞語
jieba.add_word(word, freq=None, tag=None)
# 匯入語料檔案
jieba.load_userdict('disney.txt')

語料檔案格式如下:每行分三個部分(用空格隔開),詞語 詞頻(可省) 詞性(可省)。ns是詞語標記,詞語和標註之間用空格隔開,txt檔案格式為uft-8
這裡寫圖片描述
jieba更多教程——>jieba教程