自然語言處理

　　自然語言處理廣納了眾多技術，對自然或人類語言進行自動生成，處理與分析。雖然大部分 NLP 技術繼承自語言學和人工智能，但同樣受到諸如機器學習，計算統計學和認知科學這些相對新興的學科影響。

　　在展示 NLP 技術的例子前，有必要介紹些非常基礎的術語。請注意：為了讓文章通俗易懂，這些定義在語言上就不一定考究。

　　詞例（Token）：對輸入文本做任何實際處理前，都需要將其分割成諸如詞、標點符號、數字或純字母數字（alphanumerics）等語言單元（linguistic units）。這些單元被稱為詞例。

　　句子：由有序的詞例序列組成。

　　詞例還原（Tokenization）：將句子還原成所組成的詞例。以分割型語言（segmented languages）英語為例，空格的存在使詞例還原變得相對容易同時也索然無味。然而，對于漢語和阿拉伯語，因為沒有清晰的邊界，這項工作就稍顯困難。另外，在某些非分割型語言（non-segmented languages）中，幾乎所有的字符（characters）都能以單字（one-character）存在，但同樣也可以組合在一起形成多字（multi-characterwords）形式。

　　語料庫：通常是由豐富句子組成的海量文本。

　　詞性標簽（Part-of-speech （POS） Tag）：任一單詞都能被歸入到至少一類詞匯集（set of lexical）或詞性條目（part-of-speech categories）中，例如：名詞、動詞、形容詞和冠詞等。詞性標簽用符號來代表一種詞匯條目——NN（名詞）、VB（動詞）、JJ（形容詞）和 AT（冠詞）。Brown Corpus 是最悠久，也是最常用的標注集之一。詳情且聽下回分解。

　　剖析樹（Parse Tree）：利用形式語法（formal grammar）的定義，可以用樹狀圖來表示給定句子的句法（syntactic）結構。

　　認識了基本的術語，下面讓我們了解 NLP 常見的任務：

　　詞性標注（POS Tagging）：給定一個句子和組詞性標簽，常見的語言處理就是對句子中的每個詞進行標注。舉個例子，The ball is red，詞性標注后將變成 The/AT ball/NN is/VB red/JJ。最先進的詞性標注器［9］準確率高達 96%。文本的詞性標注對于更復雜的 NLP 問題，例如我們后面會討論到的句法分析（parsing）和機器翻譯（machine translation）非常必要。

　　計算形態學（Computational Morphology）：大量建立在“語素”（morphemes/stems）基礎上的詞組成了自然語言，語素雖然是最小的語言單元，卻富含意義。計算形態學所關心的是用計算機發掘和分析詞的內部結構。

　　句法分析（Parsing）：在語法分析的問題中，句法分析器（parser）將給定句子構造成剖析樹。為了分析語法，某些分析器假定一系列語法規則存在，但目前的解析器已經足夠機智地借助復雜的統計模型［1］直接推斷分析樹。多數分析器能夠在監督式設置（supervised setting）下操作并且句子已經被詞性標注過了。統計句法分析是自然語言處理中非?；钴S的研究領域。

　　機器翻譯（Machine Translation（MT））：機器翻譯的目的是讓計算機在沒有人工干預的情況下，將給定某種語言的文本流暢地翻譯成另一種語言文本。這是自然語言處理中最艱巨的任務之一，這些年來已經用許多不同的方式解決。幾乎所有的機器翻譯方法都依賴了詞性標注和句法分析作為預處理。

　　Python

　　Python 是一種動態類型（dynamically-typed），面向對象的解釋式（interpreted）編程語言。雖然它的主要優勢在于允許編程人員快速開發項目，但是大量的標準庫使它依然能適應大規模產品級工程項目。Python 的學習曲線非常陡峭并且有許多優秀的在線學習資源［

　　NLTK自然語言處理工具包

　　NLTK簡介

　　NLTK是構建Python程序與人類語言數據工作的主要平臺。它提供了易于使用的界面，以超過50語料庫和詞匯資源，如WordNet的，連同一套文字處理庫進行分類，標記化，詞干，標記，分析和語義推理，和活躍的論壇。

　　得益于動手指南介紹編程基礎在旁邊計算語言學課題，NLTK適合語言學家，工程師，學生，教育工作者，研究人員和行業用戶的一致好評。 NLTK可用于Windows，Mac OS X和Linux。最重要的是，NLTK是一個免費，開源，社區驅動的項目。

　　使用 NLTK

　　NLTK 官網提供了很棒的說明文件和教程進行學習指導［13］。單純復述那些作者們的文字對于他們和本文都不公平。因此我會通過處理四個難度系數依次上升的 NLP 任務來介紹 NLTK。這些任務都來自于 NLTK 教程中沒有給出答案的練習或者變化過。所以每個任務的解決辦法和分析都是本文原創的。

　　NLTK 語料庫

　　正如前文所說，NLTK 囊括數個在 NLP 研究圈里廣泛使用的實用語料庫。在本節中，我們來看看三個下文會用到的語料庫：

　　布朗語料庫（Brown Corpus）：Brown Corpus of Standard American English 被認為是第一個可以在計算語言學處理［6］中使用的通用英語語料庫。它包含了一百萬字 1961 年出版的美語文本。它代表了通用英語的樣本，采樣自小說，新聞和宗教文本。隨后，在大量的人工標注后，誕生了詞性標注過的版本。

　　古登堡語料庫（Gutenberg Corpus）：古登堡語料庫從最大的在線免費電子書［5］平臺 古登堡計劃（Gutenberg Project） 中選擇了 14 個文本，整個語料庫包含了一百七十萬字。

　　Stopwords Corpus：除了常規的文本文字，另一類諸如介詞，補語，限定詞等含有重要的語法功能，自身卻沒有什么含義的詞被稱為停用詞（stop words）。NLTK 所收集的停用詞語料庫（Stopwords Corpus）包含了 來自 11 種不同語言（包括英語）的 2400 個停用詞。

　　NLTK 命名約定

　　在開始利用 NLTK 處理我們的任務以前，我們先來熟悉一下它的命名約定（naming conventions）。最頂層的包（package）是 nltk，我們通過使用完全限定（fully qualified）的加點名稱例如：nltk.corpus and nltk.utilities 來引用它的內置模塊。任何模塊都能利用 Python 的標準結構 from 。 。 。 import 。 。 。 來導入頂層的命名空間。

　　windows下NLTK環境搭建

　　python安裝

　　選擇 2.7x版本進行下載，不建議下載3.X版本，因為現在很多python代碼庫還是基于舊的版本編寫的，所以不建議使用3.X版本。安裝完成后，使用打開自帶的IDLE，結果如下：

　　Note：

　　推薦編寫python代碼好用的IDE：pycharm，上手比較簡單，文檔較齊全

　　下載地址：http://www.jetbrains.com/pycharm/

　　附幾個PyCharm4注冊碼：

　　name ：newasp

　　=====LICENSE BEGIN =====

　　09086-12042010

　　00001EBwqd8wkmP2FM34Z05iXch1Ak

　　KI0bAod8jkIffywp2WalWZejIQ6AAu

　　AVVPbzHZpOvqvdJFHEBbvbXW2t1jQI

　　=====LICENSE END =====

　　name ：newasp

　　=====LICENSE BEGIN =====

　　58877-12042010

　　00002h9ii68IdWfbdJz2UraWcsVxFY

　?。1WD9cwRDMoW2pOUeC0WBqLAMo5PX

　　lQ7cE8qMukEYuWY6！EnjYWn！2EDTio

　　=====LICENSE END =====

　　name ：newasp

　　=====LICENSE BEGIN =====

　　46753-12042010

　　000013xjAPHl95oQRCb“KnLsrXfWYa

　　L3aYClCOtBVysdtzBBPU5XCB3QUjLC

　　T1yMRB7YNC0d15A2cbwXTwXCwCjJEP

　　=====LICENSE END =====

　　name ：newasp

　　=====LICENSE BEGIN =====

　　62458-12042010

　　00002r53OfrSCVqjsI0zdG5E4pMM5Z

　　dBAGbxVOX！OPwIkBqunfKf2zQDgECf

　　XrLosbjBEp！2JfFuydkblmqWPevvB0

　　===== LICENSE END =====