NLTK2：词性标注
目錄
- 1. 使用NLTK對英文進行詞性標注
- 1.1詞性標注示例
- 1.2 語料庫的已標注數據
- 2 標注器
- 2.1 默認標注器
- 2.2 正則表達式標注器
- 2.3 查詢標注器
- 3 訓練N-gram標注器
- 3.1 一般N-gram標注
- 3.2 組合標注器
- 4.更進一步
- 5.中文標注器的訓練
- 6. brown語料庫相關方法
參考鏈接2
參考鏈接3
參考鏈接1
自然語言是人類在溝通中形成的一套規則體系。規則有強有弱，比如非正式場合使用口語，正式場合下的書面語。要處理自然語言，也要遵循這些形成的規則，否則就會得出令人無法理解的結論。下面介紹一些術語的簡單區別。
文法：等同于語法(grammar)，文章的書寫規范，用來描述語言及其結構，它包含句法和詞法規范。
句法：Syntax，句子的結構或成分的構成與關系的規范。
詞法：Lexical，詞的構詞，變化等的規范。
詞性標注，或POS(Part Of Speech)，是一種分析句子成分的方法，通過它來識別每個詞的詞性。
下面簡要列舉POS的tagset含意，詳細可看nltk.help.brown_tagset()
| ADJ | 形容詞 | new, good, high, special, big, local |
| ADV | 動詞 | really, already, still, early, now |
| CONJ | 連詞 | and, or, but, if, while, although |
| DET | 限定詞 | the, a, some, most, every, no |
| EX | 存在量詞 | there, there’s |
| MOD | 情態動詞 | will, can, would, may, must, should |
| NN | 名詞 | year,home,costs,time |
| NNP | 專有名詞 | April，China，Washington |
| NUM | 數詞 | fourth，2016, 09:30 |
| PRON | 代詞 | he,they,us |
| P | 介詞 | on,over,with,of |
| TO | 詞to | to |
| UH | 嘆詞 | ah,ha,oops |
| VB | 動詞 | |
| VBD | 動詞過去式 | made,said,went |
| VBG | 現在分詞 | going,lying,playing |
| VBN | 過去分詞 | taken,given,gone |
| WH | wh限定詞 | who,where,when,what |
1. 使用NLTK對英文進行詞性標注
1.1詞性標注示例
import nltksent = "I am going to Beijing tomorrow."""" nltk.sent_tokenize(text) #按句子分割 ,python3分不開句子 nltk.word_tokenize(sentence) #分詞 nltk的分詞是句子級別的，所以對于一篇文檔首先要將文章按句子進行分割，然后句子進行分詞： """ '\nnltk.sent_tokenize(text) #按句子分割 ,python3分不開句子\nnltk.word_tokenize(sentence) #分詞 \nnltk的分詞是句子級別的，所以對于一篇文檔首先要將文章按句子進行分割，然后句子進行分詞： \n' # 分割句子 words = nltk.word_tokenize(sent) print(words) ['I', 'am', 'going', 'to', 'Beijing', 'tomorrow', '.'] # 詞性標注 taged_sent = nltk.pos_tag(words) taged_sent [('I', 'PRP'),('am', 'VBP'),('going', 'VBG'),('to', 'TO'),('Beijing', 'NNP'),('tomorrow', 'NN'),('.', '.')]1.2 語料庫的已標注數據
語料類提供了下列方法可以返回預標注數據。
| tagged_words(fileids,categories) | 返回標注數據，以詞列表的形式 |
| tagged_sents(fileids,categories) | 返回標注數據，以句子列表形式 |
| tagged_paras(fileids,categories) | 返回標注數據，以文章列表形式 |
2 標注器
2.1 默認標注器
最簡單的詞性標注器是將所有詞都標注為名詞NN。這種標注器沒有太大的價值。正確率很低。下面演示NLTK提供的默認標注器的用法。
import nltk from nltk.corpus import brown # 加載數據 brown_tagged_sents = brown.tagged_sents(categories='news') # [[('The', 'AT'), ('Fulton', 'NP-TL'), ('County', 'NN-TL'), brown_sents = brown.sents(categories='news') # brown_tagged_sents # 最簡單的標注器是為每個標識符分配同樣的標記。這似乎是一個相對普通的方法， # 但為標注器的性能建立了一個重要的標準。為了得到最好的效果，我們用最有可能的標記標注每個詞。 # 通過下例找出哪個標記是最有可能的。 tags = [tag for (word,tag) in brown.tagged_words(categories='news')] tags ['AT','NP-TL','NN-TL','JJ-TL','NN-TL','VBD','NR','AT','NN','IN','NP$','JJ','NN','NN','VBD','``','AT','NN',"''",'CS','DTI','NNS','VBD','NN', ...,'IN','NN','.','NP','NPS','BER','VBG','JJ','NN','TO','VB','AT','NN','IN','AT','CD','NN$',...] tag = nltk.FreqDist(tags).max() tag 'NN' # 我們現在可以創建一個將所有詞都標注為NN的標注器。 default_tagger = nltk.DefaultTagger('NN') sent = "I am going to Beijing tomorrow." default_tagger.tag(nltk.word_tokenize(sent)) [('I', 'NN'),('am', 'NN'),('going', 'NN'),('to', 'NN'),('Beijing', 'NN'),('tomorrow', 'NN'),('.', 'NN')] default_tagger.evaluate(brown_tagged_sents) 0.130894842572150282.2 正則表達式標注器
正則表達式標注器基于匹配模式分配標記給標識符。例如，一般情況下認為任一以ed結尾的詞都是動詞過去分詞，任一以‘s結尾的詞都是名詞所有格。下例中可以用正則表達式的列表來表示這些。
patterns = [(r'.*ing$', 'VBG'), # gerunds(r'.*ed$', 'VBD'), # simple past(r'.*es$', 'VBZ'), # 3rd singular present(r'.*ould$', 'MD'), # modals(r'.*\'s$', 'NN$'), # possessive nouns(r'.*s$', 'NNS'), # plural nouns(r'^-?[0-9]+(.[0-9]+)?$', 'CD'), # cardinal numbers(r'.*', 'NN') # nouns (deafult) ]這些是按順序處理的，第一個匹配上的會被使用。現在建立一個標注器，并用它來標注句子。
regexp_tagger = nltk.RegexpTagger(patterns) regexp_tagger.tag(brown_sents[3]) regexp_tagger.evaluate(brown_tagged_sents) # 0.20326391789486245 # 大約有五分之一是正確的 0.203263917894862452.3 查詢標注器
很多高頻詞沒有NN標記，我們找出100個最頻繁的詞，存儲它們最有可能的標記，然后我們可以使用這個信息作為“查詢標注器（NLTKUnigramTagger）”的模型，如下例：
# 先把詞拿出來 fd = nltk.FreqDist(brown.words(categories='news')) # ['The', 'Fulton', 'County', 'Grand', 'Jury', 'said', ...]# 收集了在不同條件下運行的單個實驗的頻率分布。條件頻率分布用于記錄每個樣本在給定的實驗條件下出現的次數。 # 例如，可以使用條件頻率分布來記錄文檔中給定長度的每個單詞(類型)的頻率。 # 在形式上，條件頻率分布可以定義為一個函數，將每個條件映射到實驗條件下的FreqDist。 cfd =nltk.ConditionalFreqDist(brown.tagged_words(categories='news')) # print(cfd.items()) # dict_items([('The', FreqDist({'AT': 775, 'AT-TL': 28, 'AT-HL': 3})), ('Fulton', FreqDist({'NP-TL': 10, 'NP': 4})), # 頻繁詞top100 most_freq_words = fd.keys()# python 3.6 以上，dict_keys 類型需要list轉化 most_freq_words = list(most_freq_words)[:100] # ['The','Fulton','County','Grand','Jury','said','Friday','an',# 字典生成式 對于top100的單詞，取該單詞頻率分布最高的詞性，作為該詞的詞性 likely_tags = dict((word,cfd[word].max()) for word in most_freq_words) # likely_tags # {'The': 'AT','Fulton': 'NP-TL','County': 'NN-TL','Grand': 'JJ-TL','Jury': 'NN-TL','said': 'VBD','Friday': 'NR',# UnigramTagger為訓練語料庫中的每個單詞找到最有可能的標記，然后使用該信息為新標記分配標記。 baseline_tagger = nltk.UnigramTagger(model = likely_tags)baseline_tagger.evaluate(brown_tagged_sents) # 0.3329355371243312 # brown.tagged_words(categories='news') #[('The', 'AT'), ('Fulton', 'NP-TL'), ...] baseline_tagger.evaluate([brown.tagged_words(categories='news')]) # brown.tagged_words()需要加括號轉二維數組 0.3329355371243312 baseline_tagger.evaluate([brown.tagged_sents(categories='news')[3]]) # 個別語句會有極高的準確率 0.972972972972973 0.972972972972973此處結果與書中不同，書中結果為0.45左右，即僅僅知道100個最頻繁的詞的標記就能正確標注很大一部分標識符。
來看看它在未標注的輸入文本是運行得怎么樣：
sent = brown.sents(categories='news')[10] # baseline_tagger.tag(sent) [('It', 'PPS'),('urged', None),('that', 'CS'),('the', 'AT'),('city', 'NN'),('``', '``'),('take', None),('steps', None),('to', 'TO'),('remedy', None),("''", "''"),('this', 'DT'),('problem', None),('.', '.')]可以看到很多詞都被分配了’None’標簽，因為它們不在100個最頻繁的詞中。這種情況我們想分配默認標記NN。也就是說，我們應先使用查找表，如果不能指定就使用默認標注器，這個過程叫“回退”。
# 設置默認標注器，在找不到匹配時使用 baseline_tagger = nltk.UnigramTagger(model = likely_tags,backoff = nltk.DefaultTagger('NN'))最后我們把查找標注器和默認標注器結合起來之后，看它的性能如何，使用大小不同的模型：
def performance(cfd,wordlist):lt = dict((word,cfd[word].max()) for word in wordlist)baseline_tagger = nltk.UnigramTagger(model=lt,backoff=nltk.DefaultTagger('NN'))return baseline_tagger.evaluate(brown.tagged_sents(categories='news'))def display():import pylabwords_by_freq = list(nltk.FreqDist(brown.words(categories='news')))cfd = nltk.ConditionalFreqDist(brown.tagged_words(categories='news'))sizes = 2 ** pylab.arange(16)prefs = [performance(cfd,words_by_freq[:size]) for size in sizes]pylab.plot(sizes,prefs,'-bo')pylab.title('Lookup Tagger Performance with Varying Model Size')pylab.xlabel('Model Size')pylab.ylabel('Performace')pylab.show()display()可以看到隨著模型規模的增長，最初性能增加較快，最終達到穩定水平，這時哪怕模型規模再增加，性能提升幅度也很小
3 訓練N-gram標注器
3.1 一般N-gram標注
在上一節中，已經使用了1-Gram，即Unigram標注器。考慮更多的上下文，便有了2/3-gram，這里統稱為N-gram。注意，更長的上正文并不能帶來準確度的提升。
除了向N-gram標注器提供詞表模型，另外一種構建標注器的方法是訓練。N-gram標注器的構建函數如下：init(train=None, model=None, backoff=None),可以將標注好的語料作為訓練數據，用于構建一個標注器。
對于UniGram，使用90%的數據進行訓練，在余下10%的數據上測試的準確率為81%。如果改為BiGram，則正確率會下降到10%左右。
3.2 組合標注器
可以利用backoff參數，將多個組合標注器組合起來，以提高識別精確率。
import nltk from nltk.corpus import brown pattern = [(r'.*ing$','VBG'),(r'.*ed$','VBD'),(r'.*es$','VBZ'),(r'.*\'s$','NN$'),(r'.*s$','NNS'),(r'.*', 'NN') #未匹配的仍標注為NN ] brown_tagged_sents = brown.tagged_sents(categories = 'news') train_num = int(len(brown_tagged_sents) * 0.9) x_train = brown_tagged_sents[0:train_num] x_test = brown_tagged_sents[train_num:]t0 = nltk.RegexpTagger(pattern) t1 = nltk.UnigramTagger(x_train,backoff = t0) t2 = nltk.BigramTagger(x_train,backoff = t1) print(t2.evaluate(x_test)) # 0.8627529153792485 0.8627529153792485從上面可以看出，不需要任何的語言學知識，只需要借助統計數據便可以使得詞性標注做的足夠好。
對于中文，只要有標注語料，也可以按照上面的過程訓練N-gram標注器。
4.更進一步
nltk.tag.BrillTagger實現了基于轉換的標注，在基礎標注器的結果上，對輸出進行基于規則的修正，實現更高的準確度。
import nltk import nltk.tag.brill from nltk.corpus import brownpattern = [(r'.*ing$','VBG'),(r'.*ed$','VBD'),(r'.*es$','VBZ'),(r'.*\'s$','NN$'),(r'.*s$','NNS'),(r'.*', 'NN') #未匹配的仍標注為NN ] # 劃分數據集 brown_tagged_sents = brown.tagged_sents(categories = ['news']) train_num = int(len(brown_tagged_sents)*0.9) x_train = brown_tagged_sents[:train_num] x_test = brown_tagged_sents[train_num:] # baseline_tagger = nltk.UnigramTagger(x_train,backoff = nltk.RegexpTagger(pattern)) tt = nltk.tag.brill_trainer.BrillTaggerTrainer(baseline_tagger, nltk.tag.brill.brill24()) brill_tagger = tt.train(x_train,max_rules=20,min_acc=0.99) # 評估 print(brill_tagger.evaluate(x_test))# 0.8683344961626632 0.8683344961626632 brown_sents = brown.sents(categories="news") print(brown_tagged_sents[2007]) print(brill_tagger.tag(brown_sents[2007])) [('Various', 'JJ'), ('of', 'IN'), ('the', 'AT'), ('apartments', 'NNS'), ('are', 'BER'), ('of', 'IN'), ('the', 'AT'), ('terrace', 'NN'), ('type', 'NN'), (',', ','), ('being', 'BEG'), ('on', 'IN'), ('the', 'AT'), ('ground', 'NN'), ('floor', 'NN'), ('so', 'CS'), ('that', 'CS'), ('entrance', 'NN'), ('is', 'BEZ'), ('direct', 'JJ'), ('.', '.')] [('Various', 'JJ'), ('of', 'IN'), ('the', 'AT'), ('apartments', 'NNS'), ('are', 'BER'), ('of', 'IN'), ('the', 'AT'), ('terrace', 'NN'), ('type', 'NN'), (',', ','), ('being', 'BEG'), ('on', 'IN'), ('the', 'AT'), ('ground', 'NN'), ('floor', 'NN'), ('so', 'QL'), ('that', 'CS'), ('entrance', 'NN'), ('is', 'BEZ'), ('direct', 'JJ'), ('.', '.')]5.中文標注器的訓練
下面基于Unigram訓練一個中文詞性標注器，語料使用網上可以下載得到的人民日報98年1月的標注資料。
import nltk import jsonlines = open('./詞性標注人民日報199801.txt',encoding = 'utf-8').readlines() all_tagged_sents = []for line in lines:sent = line.split()tagged_sent = []for item in sent:pair = nltk.str2tuple(item)tagged_sent.append(pair)if len(tagged_sent)>0:all_tagged_sents.append(tagged_sent)train_size = int(len(all_tagged_sents)*0.8) x_train = all_tagged_sents[:train_size] x_test = all_tagged_sents[train_size:]tagger = nltk.UnigramTagger(train=x_train,backoff=nltk.DefaultTagger('n')) print(tagger.evaluate(x_test)) # 0.8714095491725319 """ line: 19980101-01-001-001/m 邁向/v 充滿/v 希望/n 的/u 新/a 世紀/n ——/w 一九九八年/t 新年/t 講話/n （/w 附/v 圖片/n １/m 張/q ）/w line.split(): '\nline:\n19980101-01-001-001/m 邁向/v 充滿/v 希望/n 的/u 新/a 世紀/n ——/w 一九九八年/t 新年/t 講話/n （/w 附/v 圖片/n １/m 張/q ）/w \n'tagged_sent: [('19980101-01-001-001', 'M'), ('邁向', 'V'), ('充滿', 'V'), ('希望', 'N'), ('的', 'U'), ('新', 'A'), ('世紀', 'N'), ('——', 'W'), ('一九九八年', 'T'), ('新年', 'T'), ('講話', 'N'), ('（', 'W'), ('附', 'V'), ('圖片', 'N'), ('１', 'M'), ('張', 'Q'), ('）', 'W')] """ 0.8714095491725319"\nline:\n19980101-01-001-001/m 邁向/v 充滿/v 希望/n 的/u 新/a 世紀/n ——/w 一九九八年/t 新年/t 講話/n （/w 附/v 圖片/n １/m 張/q ）/w \n\nline.split():\n'\nline:\n19980101-01-001-001/m 邁向/v 充滿/v 希望/n 的/u 新/a 世紀/n ——/w 一九九八年/t 新年/t 講話/n （/w 附/v 圖片/n １/m 張/q ）/w \n'\n\ntagged_sent:\n[('19980101-01-001-001', 'M'), ('邁向', 'V'), ('充滿', 'V'), ('希望', 'N'), ('的', 'U'), ('新', 'A'), ('世紀', 'N'), ('——', 'W'), ('一九九八年', 'T'), ('新年', 'T'), ('講話', 'N'), ('（', 'W'), ('附', 'V'), ('圖片', 'N'), ('１', 'M'), ('張', 'Q'), ('）', 'W')]\n"6. brown語料庫相關方法
# 語料庫文件名列表 brown.fileids() ['ca01','ca02','ca03','ca04', ...,'cp17','cp18','cp19','cp20','cp21','cp22','cp23','cp24','cp25','cp26','cp27','cp28','cp29','cr01','cr02','cr03','cr04','cr05','cr06','cr07','cr08','cr09'] # 返回指定類別('news')的文件名列表 brown.fileids('news') ['ca01','ca02','ca03','ca04','ca05','ca06','ca07','ca08',...'ca26','ca27','ca28','ca29','ca30','ca31','ca32','ca33','ca34','ca35','ca36','ca37','ca38','ca39','ca40','ca41','ca42','ca43','ca44'] # 返回指定分類的原始文本 brown.raw(categories=['news'])"\n\n\tThe/at Fulton/np-tl County/nn-tl Grand/jj-tl Jury/nn-tl said/vbd Friday/nr an/at investigation/nn of/in Atlanta’s/np$ recent/jj primary/nn election/nn produced/vbd / no/at evidence/nn ‘’/‘’ that/cs any/dti irregularities/nns took/vbd place/nn ./.\n\n\n\tThe/at jury/nn further/rbr said/vbd in/in term-end/nn presentments/nns that/cs the/at City/nn-tl Executive/jj-tl Committee/nn-tl ,/, which/wdt had/hvd over-all/jj charge/nn of/in the/at election/nn ,/, / deserves/vbz the/at praise/nn and/cc thanks/nns of/in the/at City/nn-tl of/in-tl Atlanta/np-tl ‘’/‘’ for/in the/at manner/nn in/in which/wdt the/at election/nn was/bedz conducted/vbn ./.\n\n\n\tThe/at September-October/np term/nn jury/nn had/hvd been/ben charged/vbn by/in Fulton/np-tl Superior/jj-tl
…
Steve/np Barber/np joined/vbd the/at club/nn one/cd week/nn ago/rb after/cs completing/vbg his/pp$ hitch/nn under/in the/at Army’s/nnKaTeX parse error: Undefined control sequence: \nThe at position 108: … ,/, Ky./np ./.\?n?T?h?e?/at 22-year-old… bulky/jj spring-training/nn contingent/nn now/rb gradually/rb will/md be/be reduced/vbn as/cs Manager/nn-tl Paul/np Richards/np and/cc his/pp$ coaches/nns seek/vb to/to trim/vb it/ppo down/rp to/in a/at more/ql streamlined/vbn and/cc workable/jj unit/nn ./.\n\n\n\n\n/ Take/vb a/at ride/nn on/in this/dt one/cd ‘’/‘’ ,/, Brooks/np Robinson/np greeted/vbd Hansen/np as/cs the/at Bird/np third/od sacker/nn grabbed/vbd a/at bat/nn ,/, headed/vbd for/in the/at plate/nn and/cc bounced/vbd a/at third-inning/nn two-run/jj double/nn off/in the/at left-centerfield/nn wall/nn tonight/nr ./.\n\n\n\tIt/pps was/bedz the/at first/od of/in two/cd doubles/nns by/in Robinson/np ,/, who/wps was/bedz in/in a/at mood/nn to/to celebrate/vb ./.\n\n\n\tJust/rb before/in game/nn time/nn ,/, Robinson’s/np$ pretty/jj wife/nn ,/, Connie/np informed/vbd him/ppo that/cs an/at addition/nn to/in the/at family/nn can/md be/be expected/vbn late/jj next/ap summer/nn ./.\n\n\n\tUnfortunately/rb ,/, Brooks’s/np$ teammates/nns were/bed not/* in/in such/ql festive/jj mood/nn as/cs the/at Orioles/nps expired/vbd before/in the/at seven-hit
總結
以上是生活随笔為你收集整理的NLTK2：词性标注的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： NLP算法-词性标注
- 下一篇： Pandas常用函数大合集