nlp---Nltk 常用方法

2024-06-13 20:32
文章标签 方法 常用 nlp nltk

本文主要是介绍nlp---Nltk 常用方法,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

引言

在nltk的介绍文章中,前面几篇主要介绍了nltk自带的数据(书籍和语料),感觉系统学习意义不大,用到哪里看到那里就行(笑),所以这里会从一些常用功能开始,适当略过对于数据本体的介绍。

文本处理

词频提取

把切分好的词表进行词频排序(按照出现次数排序),

1
2
3
all_words  =  nltk.FreqDist(w.lower()  for  in  nltk.word_tokenize( "I'm foolish foolish man" ))
print (all_words.keys())
all_words.plot()

dict_keys(["'m", 'man', 'i', 'foolish'])

只考虑最高频率的两个词,并且绘制累积图,

1
all_words.plot( 2 , cumulative = True )

英文词干提取器

1
2
3
import  nltk
porter  =  nltk.PorterStemmer()
porter.stem( 'lying' )

'lie'

英文分词

1
2
text  =  nltk.word_tokenize( "And now for something completely different" )
print (text)

['And', 'now', 'for', 'something', 'completely', 'different']

分词&词形还原&词根还原使用概览

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
import  nltk
sent  =  "I'm super lying man"
'''
分词
'''
print (nltk.word_tokenize(sent))
print (nltk.tokenize.word_tokenize(sent))
'''
词根还原
'''
porter  =  nltk.PorterStemmer()
print ([porter.stem(x)  for  in  nltk.word_tokenize(sent)])
'''
词形还原(lemmatizer),即把一个任何形式的英语单词还原到一般形式,与词根还原不同(stemmer),
后者是抽取一个单词的词根。
'''
porter2  =  nltk.stem.WordNetLemmatizer()
print ([porter2.lemmatize(x)  for  in  nltk.word_tokenize(sent)])

『TensorFlow』测试项目_对评论分类

词性标注

1
2
3
print (nltk.pos_tag(text))
print (nltk.pos_tag([ 'i' , 'love' , 'you' ]))
print ( nltk.pos_tag([ 'love' , 'and' , 'hate' ]))

[('And', 'CC'), ('now', 'RB'), ('for', 'IN'), ('something', 'NN'), ('completely', 'RB'), ('different', 'JJ')]
[('i', 'NN'), ('love', 'VBP'), ('you', 'PRP')]
[('love', 'NN'), ('and', 'CC'), ('hate', 'NN')]

厉害的地方在这里:第二局里面的love是动词,第三句里面的love是名词。

  • 词性标注语料制作

1
2
tagged_token  =  nltk.tag.str2tuple( 'fly/NN' )
print (tagged_token)

('fly', 'NN')

中文的也行,

1
2
sent  =  '我/NN 是/IN 一个/AT 大/JJ 傻×/NN'
[nltk.tag.str2tuple(t)  for  in  sent.split()]  # 中文语料词性标注(&分词)

[('我', 'NN'), ('是', 'IN'), ('一个', 'AT'), ('大', 'JJ'), ('傻×', 'NN')]

  • 词性标注器

默认标注器:

不管什么词,都标注为频率最高的一种词性。比如经过分析,所有中文语料里的词是名次的概率是13%最大,那么我们的默认标注器就全部标注为名次。这种标注器一般作为其他标注器处理之后的最后一道门,即:不知道是什么词?那么他是名词。

1
2
3
4
5
6
7
8
9
raw  =  '我 累 嗯个 e去?'
tokens  =  nltk.word_tokenize(raw)
default_tagger  =  nltk.DefaultTagger( 'NN' )
tags  =  default_tagger.tag(tokens)
print (tokens)
print (tags)

['我', '累', '嗯个', 'e去', '?']

[('我', 'NN'), ('累', 'NN'), ('嗯个', 'NN'), ('e去', 'NN'), ('?', 'NN')]

正则表达式标注器:

满足特定正则表达式的认为是某种词性,比如凡是带“们”的都认为是代词(PRO)。

1
2
3
4
5
pattern  =  [( '.*们$' , 'PRO' )]
tagger  =  nltk.RegexpTagger(pattern)
print (tagger.tag(nltk.word_tokenize( '我们 累 个 去 你们 和 他们 啊' )))

[('我们', 'PRO'), ('累', None), ('个', None), ('去', None), ('你们', 'PRO'), ('和', None), ('他们', 'PRO'), ('啊', None)]

查询标注器:

找出最频繁的n个词以及它的词性,然后用这个信息去查找语料库,匹配的就标记上,剩余的词使用默认标注器(回退)。这一般使用一元标注的方式,见下面。

一元标注:基于已经标注的语料库做训练,然后用训练好的模型来标注新的语料。

1
2
3
4
5
6
7
sents  =  [[u '我' , u '你' , u '小兔' ]]
tagged_sents  =  [[(u '我' , u 'PRO' ), (u '小兔' , u 'NN' )]]
unigram_tagger  =  nltk.UnigramTagger(tagged_sents)
tags  =  unigram_tagger.tag(sents[ 0 ])
print (tags)

[('我', 'PRO'), ('你', None), ('小兔', 'NN')]

二元标注和多元标注:一元标注指的是只考虑当前这个词,不考虑上下文,二元标注器指的是考虑它前面的词的标注,用法只需要把上面的UnigramTagger换成BigramTagger,同理三元标注换成TrigramTagger(并未有示例)。

组合标注器:

为了提高精度和覆盖率,我们对多种标注器组合,比如组合二元标注器、一元标注器和默认标注器,如下,

1
2
3
t0  =  nltk.DefaultTagger( 'NN' )
t1  =  nltk.UnigramTagger(train_sents, backoff = t0) 
t2  =  nltk.BigramTagger(train_sents, backoff = t1)

直接调用t2即可。

持久化&较为完整的训练一个标注器:
1
2
3
4
5
6
7
8
9
10
11
sent  =  '我/NN 是/IN 一个/AT 好的/JJ 人/NN'
train_sents  =  [[nltk.tag.str2tuple(t)  for  in  sent.split()]]
t0  =  nltk.DefaultTagger( 'NN' )
t1  =  nltk.UnigramTagger(train_sents, backoff = t0) 
t2  =  nltk.BigramTagger(train_sents, backoff = t1) 
from  pickle  import  dump
output  =  open ( 't2.pkl' 'wb' )
dump(t2, output,  - 1 )
output.close()  

加载在这里,

1
2
3
4
from  pickle  import  load 
input  =  open ( 't2.pkl' 'rb'
tagger  =  load( input
input .close()

  

这篇关于nlp---Nltk 常用方法的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1058349

相关文章

Linux换行符的使用方法详解

《Linux换行符的使用方法详解》本文介绍了Linux中常用的换行符LF及其在文件中的表示,展示了如何使用sed命令替换换行符,并列举了与换行符处理相关的Linux命令,通过代码讲解的非常详细,需要的... 目录简介检测文件中的换行符使用 cat -A 查看换行符使用 od -c 检查字符换行符格式转换将

SpringBoot实现数据库读写分离的3种方法小结

《SpringBoot实现数据库读写分离的3种方法小结》为了提高系统的读写性能和可用性,读写分离是一种经典的数据库架构模式,在SpringBoot应用中,有多种方式可以实现数据库读写分离,本文将介绍三... 目录一、数据库读写分离概述二、方案一:基于AbstractRoutingDataSource实现动态

Java中的String.valueOf()和toString()方法区别小结

《Java中的String.valueOf()和toString()方法区别小结》字符串操作是开发者日常编程任务中不可或缺的一部分,转换为字符串是一种常见需求,其中最常见的就是String.value... 目录String.valueOf()方法方法定义方法实现使用示例使用场景toString()方法方法

Java中List的contains()方法的使用小结

《Java中List的contains()方法的使用小结》List的contains()方法用于检查列表中是否包含指定的元素,借助equals()方法进行判断,下面就来介绍Java中List的c... 目录详细展开1. 方法签名2. 工作原理3. 使用示例4. 注意事项总结结论:List 的 contain

macOS无效Launchpad图标轻松删除的4 种实用方法

《macOS无效Launchpad图标轻松删除的4种实用方法》mac中不在appstore上下载的应用经常在删除后它的图标还残留在launchpad中,并且长按图标也不会出现删除符号,下面解决这个问... 在 MACOS 上,Launchpad(也就是「启动台」)是一个便捷的 App 启动工具。但有时候,应

SpringBoot日志配置SLF4J和Logback的方法实现

《SpringBoot日志配置SLF4J和Logback的方法实现》日志记录是不可或缺的一部分,本文主要介绍了SpringBoot日志配置SLF4J和Logback的方法实现,文中通过示例代码介绍的非... 目录一、前言二、案例一:初识日志三、案例二:使用Lombok输出日志四、案例三:配置Logback一

Python实现无痛修改第三方库源码的方法详解

《Python实现无痛修改第三方库源码的方法详解》很多时候,我们下载的第三方库是不会有需求不满足的情况,但也有极少的情况,第三方库没有兼顾到需求,本文将介绍几个修改源码的操作,大家可以根据需求进行选择... 目录需求不符合模拟示例 1. 修改源文件2. 继承修改3. 猴子补丁4. 追踪局部变量需求不符合很

mysql出现ERROR 2003 (HY000): Can‘t connect to MySQL server on ‘localhost‘ (10061)的解决方法

《mysql出现ERROR2003(HY000):Can‘tconnecttoMySQLserveron‘localhost‘(10061)的解决方法》本文主要介绍了mysql出现... 目录前言:第一步:第二步:第三步:总结:前言:当你想通过命令窗口想打开mysql时候发现提http://www.cpp

Mysql删除几亿条数据表中的部分数据的方法实现

《Mysql删除几亿条数据表中的部分数据的方法实现》在MySQL中删除一个大表中的数据时,需要特别注意操作的性能和对系统的影响,本文主要介绍了Mysql删除几亿条数据表中的部分数据的方法实现,具有一定... 目录1、需求2、方案1. 使用 DELETE 语句分批删除2. 使用 INPLACE ALTER T

MySQL INSERT语句实现当记录不存在时插入的几种方法

《MySQLINSERT语句实现当记录不存在时插入的几种方法》MySQL的INSERT语句是用于向数据库表中插入新记录的关键命令,下面:本文主要介绍MySQLINSERT语句实现当记录不存在时... 目录使用 INSERT IGNORE使用 ON DUPLICATE KEY UPDATE使用 REPLACE