前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >学习笔记CB002:词干提取、词性标注、中文切词、文档分类

学习笔记CB002:词干提取、词性标注、中文切词、文档分类

原创
作者头像
利炳根
修改2018-02-13 13:19:35
2K0
修改2018-02-13 13:19:35
举报
文章被收录于专栏:利炳根的专栏

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,中国台湾中国研究院。

代码语言:javascript
复制
# coding:utf-8

代码语言:javascript
复制
import sys

代码语言:javascript
复制
import importlib

代码语言:javascript
复制
importlib.reload(sys)

代码语言:javascript
复制
import nltk

代码语言:javascript
复制
for word in nltk.corpus.sinica_treebank.tagged_words():

代码语言:javascript
复制
    print(word[0], word[1])

jieba切词,https://github.com/fxsjy/jieba,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。

代码语言:javascript
复制
# coding:utf-8

代码语言:javascript
复制
import sys

代码语言:javascript
复制
import importlib

代码语言:javascript
复制
importlib.reload(sys)

代码语言:javascript
复制
import nltk

代码语言:javascript
复制
default_tagger = nltk.DefaultTagger('NN')

代码语言:javascript
复制
raw = '我 好 想 你'

代码语言:javascript
复制
tokens = nltk.word_tokenize(raw)

代码语言:javascript
复制
tags = default_tagger.tag(tokens)

代码语言:javascript
复制
print(tags)

正则表达式标注器,RegexpTagge,满足特定正则表达式词性。

代码语言:javascript
复制
# coding:utf-8

代码语言:javascript
复制
import sys

代码语言:javascript
复制
import importlib

代码语言:javascript
复制
importlib.reload(sys)

代码语言:javascript
复制
import nltk

代码语言:javascript
复制
pattern = [(r'.*们$','PRO')]

代码语言:javascript
复制
tagger = nltk.RegexpTagger(pattern)

代码语言:javascript
复制
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。

代码语言:javascript
复制
# coding:utf-8

代码语言:javascript
复制
import sys

代码语言:javascript
复制
import importlib

代码语言:javascript
复制
importlib.reload(sys)

代码语言:javascript
复制
import nltk

代码语言:javascript
复制
tagged_sents = [[(u'我', u'PRO'), (u'小兔', u'NN')]]

代码语言:javascript
复制
unigram_tagger = nltk.UnigramTagger(tagged_sents)

代码语言:javascript
复制
sents = [[u'我', u'你', u'小兔']]

代码语言:javascript
复制
# brown_tagged_sents = nltk.corpus.brown.tagged_sents(categories='news')

代码语言:javascript
复制
# unigram_tagger = nltk.UnigramTagger(brown_tagged_sents)

代码语言:javascript
复制
# sents = nltk.corpus.brown.sents(categories='news')

代码语言:javascript
复制
tags = unigram_tagger.tag(sents[0])

代码语言:javascript
复制
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。

代码语言:javascript
复制
# coding:utf-8

代码语言:javascript
复制
import sys

代码语言:javascript
复制
import importlib

代码语言:javascript
复制
importlib.reload(sys)

代码语言:javascript
复制
import nltk

代码语言:javascript
复制
train_sents = [[(u'我', u'PRO'), (u'小兔', u'NN')]]

代码语言:javascript
复制
t0 = nltk.DefaultTagger('NN')

代码语言:javascript
复制
t1 = nltk.UnigramTagger(train_sents, backoff=t0)

代码语言:javascript
复制
t2 = nltk.BigramTagger(train_sents, backoff=t1)

代码语言:javascript
复制
sents = [[u'我', u'你', u'小兔']]

代码语言:javascript
复制
tags = t2.tag(sents[0])

代码语言:javascript
复制
print(tags)

代码语言:javascript
复制
from pickle import dump

代码语言:javascript
复制
print(t2)

代码语言:javascript
复制
output = open('t2.pkl', 'wb')

代码语言:javascript
复制
dump(t2, output, -1)

代码语言:javascript
复制
output.close()

代码语言:javascript
复制
from pickle import load

代码语言:javascript
复制
input = open('t2.pkl', 'rb')

代码语言:javascript
复制
tagger = load(input)

代码语言:javascript
复制
input.close()

代码语言:javascript
复制
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:

代码语言:javascript
复制
# coding:utf-8

代码语言:javascript
复制
import sys

代码语言:javascript
复制
import importlib

代码语言:javascript
复制
importlib.reload(sys)

代码语言:javascript
复制
import nltk

代码语言:javascript
复制
my_train_set = [

代码语言:javascript
复制
        ({'feature1':u'a'},'1'),

代码语言:javascript
复制
        ({'feature1':u'a'},'2'),

代码语言:javascript
复制
        ({'feature1':u'a'},'3'),

代码语言:javascript
复制
        ({'feature1':u'a'},'3'),

代码语言:javascript
复制
        ({'feature1':u'b'},'2'),

代码语言:javascript
复制
        ({'feature1':u'b'},'2'),

代码语言:javascript
复制
        ({'feature1':u'b'},'2'),

代码语言:javascript
复制
        ({'feature1':u'b'},'2'),

代码语言:javascript
复制
        ({'feature1':u'b'},'2'),

代码语言:javascript
复制
        ({'feature1':u'b'},'2'),

代码语言:javascript
复制
        ]

代码语言:javascript
复制
classifier = nltk.NaiveBayesClassifier.train(my_train_set)

代码语言:javascript
复制
print(classifier.classify({'feature1':u'a'}))

代码语言:javascript
复制
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:

代码语言:javascript
复制
# coding:utf-8

代码语言:javascript
复制
import sys

代码语言:javascript
复制
import importlib

代码语言:javascript
复制
importlib.reload(sys)

代码语言:javascript
复制
import nltk

代码语言:javascript
复制
from nltk.corpus import movie_reviews

代码语言:javascript
复制
import random

代码语言:javascript
复制
documents =[(list(movie_reviews.words(fileid)),category)for category in movie_reviews.categories()for fileid in movie_reviews.fileids(category)]

代码语言:javascript
复制
random.shuffle(documents)

代码语言:javascript
复制
all_words = nltk.FreqDist(w.lower() for w in movie_reviews.words())

代码语言:javascript
复制
word_features = [word for (word, freq) in all_words.most_common(2000)]

代码语言:javascript
复制
def document_features(document):

代码语言:javascript
复制
        document_words = set(document)

代码语言:javascript
复制
        features = {}

代码语言:javascript
复制
        for word in word_features:

代码语言:javascript
复制
                features['contains(%s)' % word] = (word in document_words)

代码语言:javascript
复制
        return features

代码语言:javascript
复制
featuresets = [(document_features(d), c) for (d,c) in documents]

代码语言:javascript
复制
# classifier = nltk.NaiveBayesClassifier.train(featuresets)

代码语言:javascript
复制
# classifier.classify(document_features(d))

代码语言:javascript
复制
train_set, test_set = featuresets[100:], featuresets[:100]

代码语言:javascript
复制
classifier = nltk.NaiveBayesClassifier.train(train_set)

代码语言:javascript
复制
print(nltk.classify.accuracy(classifier, test_set))

代码语言:javascript
复制
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

https://www.jianshu.com/p/6e5ace051c1e

《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

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
腾讯云 TI 平台
腾讯云 TI 平台(TencentCloud TI Platform)是基于腾讯先进 AI 能力和多年技术经验,面向开发者、政企提供的全栈式人工智能开发服务平台,致力于打通包含从数据获取、数据处理、算法构建、模型训练、模型评估、模型部署、到 AI 应用开发的产业 + AI 落地全流程链路,帮助用户快速创建和部署 AI 应用,管理全周期 AI 解决方案,从而助力政企单位加速数字化转型并促进 AI 行业生态共建。腾讯云 TI 平台系列产品支持公有云访问、私有化部署以及专属云部署。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档