最近实验室参加了个比赛,比赛内容是做一个英文学术论文阅读 / 写作的辅助系统(RFW:Read For Write),我做了一部分的数据收集和处理工作。
数据收集阶段:我舍友写了个爬虫网页pdf的代码,我用的那个代码爬的数据,相对轻松数据处理阶段:我做的主要是词性标注,包括:标记解析、词性标注、词性还原三步
这次就整理一下词性标注的基本方法。
1 NLTK库的安装
词性标注中最主要用到的库是NLTK库,具体的安装过程和遇到问题的解决办法可以参考我的这篇文章:【自然语言处理】NLTK库的安装
在词性标注中我们会用到的wordnet
,averaged_perceptron_tagger
,punkt
包,三个包应该分别存在corpora
,taggers
,tokenizers
文件夹下,最终的存储位置可参考如下:
2 标记解析
一个句子是由若干标记(Token)组成的,标记既可以是一个词,也可以是标点符号等。将句子分割为标记的过程为标记解析(Tokenization)。
函数:word_tokenize()
入口参数:待标注的句子出口参数:解析后的分词列表
实现代码如下:
from nltk import word_tokenizeline = "They fired a gun, and they sit by the fire."tokens = word_tokenize(line) # 标记解析
结果:
print(tokens)['They', 'fired', 'a', 'gun', ',', 'and', 'they', 'sit', 'by', 'the', 'fire', '.']
补充:
标记解析有点类似于我们词频统计的第一步:分词,标记解析除了使用方便以外,还有这两点优势:
准确
一般来讲,一个句子的结尾具有明显的标志,如句号、问号和感叹号等,因此可以用简单的规则进行分句。然而,往往存在大量的例外情况,如在英文中,句号除了可以作为句尾标志,还可以作为单词的一部分(如"Mr.")。NLTK提供的分句功能可以较好地解决此问题。有用
标记解析往往与下面的词性标注相结合,使每个单词的词性能够结合具体的句子而标注。
3 词性标注
当分词结束后,我们需要利用NLTK库对每个词进行词性标注(pos_tag),词性(POS: Part Of Speech)的标注(tag)往往基于标记解析。
函数:nltk.pos_tag()
入口参数:分词列表出口参数:二元组(词,词性标签)
实现代码如下:
from nltk import pos_tagtags = pos_tag(tokens)
结果:
for item in tags:print(item)('They', 'PRP')('fired', 'VBD')('a', 'DT')('gun', 'NN')(',', ',')('and', 'CC')('they', 'PRP')('sit', 'VBP')('by', 'IN')('the', 'DT')('fire', 'NN')('.', '.')
补充:词性标签
因为我们本次是动词标注,所以先列出动词标签,更多的可以参考:python自然语言处理——NLTK——词性标签(pos_tag)
4 词性还原
当出现类似take、takes这种动词,我们往往更想要take的各种时态的总频率,而不是各自的词频,因此需要词性还原。代码如下:
from nltk.stem import WordNetLemmatizerwnl = WordNetLemmatizer()print(wnl.lemmatize('running', 'v'))
这段代码的返回结果是:
run
5 总代码
以上就是动词标注的三步流程,其余词性的标注看情况加第三步,但前两步的处理是一致的。
总代码如下:
from nltk import word_tokenizefrom nltk import pos_tagfrom nltk.corpus import wordnetfrom nltk.stem import WordNetLemmatizerline = "They fired a gun, and they sit by the fire."tokens = word_tokenize(line) # 标记(Token)解析, 可简单理解为分词(不包括小写和去符号的过程)tags = pos_tag(tokens)# 词性标注, 标记后的结果是二元数组格式# for token in tokens:#print(token)# print("==================")# for item in tags:#print(item)# # 词性还原# wnl = WordNetLemmatizer()# print(wnl.lemmatize('running', 'v'))v_tags = {'VB', 'VBD', 'VBG', 'VBN', 'VBP', 'VBZ'} # setwnl = WordNetLemmatizer()for word, pos in tags:if pos in v_tags:print(wnl.lemmatize(word, 'v'))
结果:(注意这个fire是前面那个fired变换得来的)
firesit
6 参考
[1] 【自然语言处理】NLTK库的安装
[2] python自然语言处理——NLTK——词性标签(pos_tag)
[3] 自然语言处理(NLP)之英文单词词性还原