学习笔记CB002:词干提取、词性标注、中文切词、文档分类

英文词干提取器，import nltk，porter = nltk.PorterStemmer()，porter.stem('lying') 。


词性标注器，pos_tag处理词序列，根据句子动态判断，import nltk，text = nltk.word_tokenize("And now for something completely different”)，nltk.pos_tag(text) 。CC 连接词，RB 副词，IN 介词，NN 名次，JJ 形容词。


标注自定义词性标注语料库，tagged_token = nltk.tag.str2tuple('fly/NN') 。字符串转成二元组。布朗语料库标注 nltk.corpus.brown.tagged_words() 。


nltk中文语料库，nltk.download()。下载 Corpora sinica_treebank，台湾中国研究院。


    # coding:utf-8
    
    import sys
    import importlib
    importlib.reload(sys)
    import nltk
    
    for word in nltk.corpus.sinica_treebank.tagged_words():
        print(word[0], word[1])


jieba切词，，自定义语料中文切词，自动词性标注。


词性自动标注。默认标注器 DefaultTagger，标注为频率最高词性。


    # coding:utf-8
    
    import sys
    import importlib
    importlib.reload(sys)
    import nltk
    
    default_tagger = nltk.DefaultTagger('NN')
    raw = '我 好 想 你'
    tokens = nltk.word_tokenize(raw)
    tags = default_tagger.tag(tokens)
    print(tags)


正则表达式标注器，RegexpTagge，满足特定正则表达式词性。


    # coding:utf-8
    
    import sys
    import importlib
    importlib.reload(sys)
    import nltk
    
    pattern = [(r'.*们$','PRO')]
    tagger = nltk.RegexpTagger(pattern)
    print(tagger.tag(nltk.word_tokenize('我们 一起  去 你们 和 他们 去过 的 地方')))


查询标注器，多个最频繁词和词性，查找语料库，匹配标注，剩余词用默认标注器(回退)。


一元标注，已标注语料库训练，模型标注新语料。


    # coding:utf-8
    
    import sys
    import importlib
    importlib.reload(sys)
    import nltk
    
    tagged_sents = [[(u'我', u'PRO'), (u'小兔', u'NN')]]
    unigram_tagger = nltk.UnigramTagger(tagged_sents)
    sents = [[u'我', u'你', u'小兔']]
    # brown_tagged_sents = nltk.corpus.brown.tagged_sents(categories='news')
    # unigram_tagger = nltk.UnigramTagger(brown_tagged_sents)
    # sents = nltk.corpus.brown.sents(categories='news')
    tags = unigram_tagger.tag(sents[0])
    print(tags)


二元标注、多元标注，一元标注 UnigramTagger 只考虑当前词，不考虑上下文。二元标注器 BigramTagger 考虑前面词。三元标注 TrigramTagger。


组合标注器，提高精度和覆盖率，多种标注器组合。


标注器存储，训练好持久化，存储硬盘。加载。


    # coding:utf-8
    
    import sys
    import importlib
    importlib.reload(sys)
    import nltk
    
    train_sents = [[(u'我', u'PRO'), (u'小兔', u'NN')]]
    t0 = nltk.DefaultTagger('NN')
    t1 = nltk.UnigramTagger(train_sents, backoff=t0)
    t2 = nltk.BigramTagger(train_sents, backoff=t1)
    sents = [[u'我', u'你', u'小兔']]
    tags = t2.tag(sents[0])
    print(tags)
    
    from pickle import dump
    print(t2)
    output = open('t2.pkl', 'wb')
    dump(t2, output, -1)
    output.close()
    
    from pickle import load
    input = open('t2.pkl', 'rb')
    tagger = load(input)
    input.close()
    print(tagger)


机器学习，训练模型，已知数据统计学习；使用模型，统计学习模型计算未知数据。有监督，训练样本数据有确定判断，断定新数据。无监督，训练样本数据没有判断，自发生成结论。最难是选算法。


贝叶斯，概率论，随机事件条件概率。公式：P(B|A)=P(A|B)P(B)/P(A)。已知P(A|B)、P(A)、P(B)，计算P(B|A)。贝叶斯分类器：


    # coding:utf-8
    
    import sys
    import importlib
    importlib.reload(sys)
    import nltk
    
    my_train_set = [
            ({'feature1':u'a'},'1'),
            ({'feature1':u'a'},'2'),
            ({'feature1':u'a'},'3'),
            ({'feature1':u'a'},'3'),
            ({'feature1':u'b'},'2'),
            ({'feature1':u'b'},'2'),
            ({'feature1':u'b'},'2'),
            ({'feature1':u'b'},'2'),
            ({'feature1':u'b'},'2'),
            ({'feature1':u'b'},'2'),
            ]
    classifier = nltk.NaiveBayesClassifier.train(my_train_set)
    print(classifier.classify({'feature1':u'a'}))
    print(classifier.classify({'feature1':u'b'}))


分类，最重要知道哪些特征最能反映分类特点，特征选取。文档分类，最能代表分类词。特征提取，找到最优信息量特征：


    # coding:utf-8
    
    import sys
    import importlib
    importlib.reload(sys)
    import nltk
    from nltk.corpus import movie_reviews
    import random
    
    documents =[(list(movie_reviews.words(fileid)),category)for category in movie_reviews.categories()for fileid in movie_reviews.fileids(category)]
    random.shuffle(documents)
    all_words = nltk.FreqDist(w.lower() for w in movie_reviews.words())
    word_features = [word for (word, freq) in all_words.most_common(2000)]
    def document_features(document):
            document_words = set(document)
            features = {}
            for word in word_features:
                    features['contains(%s)' % word] = (word in document_words)
            return features


    featuresets = [(document_features(d), c) for (d,c) in documents]
    # classifier = nltk.NaiveBayesClassifier.train(featuresets)
    # classifier.classify(document_features(d))
    
    train_set, test_set = featuresets[100:], featuresets[:100]
    classifier = nltk.NaiveBayesClassifier.train(train_set)
    print(nltk.classify.accuracy(classifier, test_set))
    classifier.show_most_informative_features(5)


词性标注，上下文语境文本分类。句子分割，标点符号分类，选取单独句子标识符合并链表、数据特征。识别对话行为，问候、问题、回答、断言、说明。识别文字蕴含，句子能否得出另一句子结论，真假标签。


参考资料：
http://www.shareditor.com/blogshow?blogId=67
http://www.shareditor.com/blogshow?blogId=69

《Python 自然语言处理》


欢迎推荐上海机器学习工作机会，我的微信：qingxingfengzi