Python自然语言处理 8 分析句子结构

　前面的章节重点关注词：如何识别它们，分析它们的结构，给它们分配词汇类别，以及获得它们的含义。

目的是要回答下列问题：

（１）如何使用形式化语法来描述无限的句子集合的结构？

（２）如何使用句法树来表示句子结构？

（３）解析器如何分析句子并自动构建语法树？

一　一些语法困境

＃语言数据和无限可能性

文法的目的是给出一个明确的语言描述。而我们思考文法的方式与我们认为什么是一种语言紧密联系在一起。观察到的言语和书面文本是否是一个大却有限的集合呢？关于文法句子是否存在一些更抽象的东西，如有能力的说话者能理解的隐性知识？或者是两者的某种组合？我们不会解决这个问题，而是将介绍主要的方法。

＃普遍存在的歧义

重要的目的是自然语言understanding，当识别一个文本所包含的语言结构时，可以从中获得多少文本的含义？一段程序在通读了一个文本后，它能否足够“理解”文本，并回答一些简答的问题，如“发生了什么事“或”谁对谁做了什么“？还像以前一样，我们将开发简单的程序来处理已注释的语料库，并执行有用的任务。

二　文法的用途

＃超越n-grams

３　上下文无关文法

＃一种简单的文法

在NLTK中，上下文无关文法定义在nltk.grammar模块

import nltk
from nltk import CFG
//grammar1 = CFG.fromstring("""
grammar1 = nltk.parse_cfg("""
s -> NP VP
VP -> V NP | V NP PP
PP -> P NP
V -> "saw" | "ate" | "walked"
NP -> "John" | "Mary" | "Bob" | Det N | Det N PP
Det -> "a" | "an" | "the" | "my"
N -> "man" | "dog" | "cat" | "telescope" | "park"
P -> "in" | "on" | "by" | "with"
""")
sent = "Mary saw Bob".split()
rd_parser = nltk.RecursiveDescentParser(grammar1)
for tree in rd_parser.nbest_parse(sent):
    print tree

如果使用上述文法分析句子The dog saw a man in the park，结果将得到两棵树，被称为结构上有歧义

＃编写你自己的文法

编写mygrammar.cfg

grammar1 = nltk.data.load('file:mygrammar.cfg')

＃句法结构中的递归

产生式左侧的文法类型也出现在右侧，那么这个文法被认为是递归的

四　上下文无关文法分析

解析器根据文法产生式处理输入的句子，并建立一个或多个符合文法的组成结构。

例如问答系统对提交的问题首先进行文法分析

在本节中，我们将看到两个简单的分析算法，一种自上而下的方法称为下降递归分析，一种自下而上的方法称为移进－归约分析。

以及更复杂的算法，一种称为左角落分析的带自下而上过滤的自上而下的方法：一种称为图表分析的动态规划技术

＃递归下降解析器

nltk.RecursiveDescentParser(grammar1)

＃移进－归约分析

nltk.ShiftReduceParser(grammar1)

＃左角落解析器

带自下而上过滤的自上而下的解析器

＃符合语句规则的子串表

////////

五　依存关系和依存文法

短语结构文法是关于词和词序列如何结合形成句子成分的。

一种独特且互补的方式，依存文法，集中关注的是词与其他词之间的关系。

依存关系是一个中心词与其从属之间的二元非对称关系。一个句子的中心词通常是动词，所有其他词要么依赖于中心词，要么通过依赖路径与它相关联。

与短语结构文法相比，依存文法可以作为一种依存关系用来直接表示语法功能。

＃配价与词汇

在表中的动词被认为具有不同的配价。配价限制不仅适用于动词，也适用于其他类的中心词。

＃扩大规模

文法是否可以扩大到能覆盖自然语言中的大型语料库

使用各种正规工具

六　文法开发

如何访问树库，及开发覆盖广泛文法所具有的挑战

＃树库和文法

corpus模块定义了树库语料的阅读器，其中包含了宾州树库语料10%的样本

from nltk.corpus import treebank
t = treebank.parsed_sents('wsj_0001.mrg')[0]
print t
(S
  (NP-SBJ
    (NP (NNP Pierre) (NNP Vinken))
    (, ,)
    (ADJP (NP (CD 61) (NNS years)) (JJ old))
    (, ,))
  (VP
    (MD will)
    (VP
      (VB join)
      (NP (DT the) (NN board))
      (PP-CLR (IN as) (NP (DT a) (JJ nonexecutive) (NN director)))
      (NP-TMP (NNP Nov.) (CD 29))))
  (. .))

def filter(tree):    #搜索树库找出句子的补语
    child_nodes = [child.label for child in tree if isinstance(child, nltk.Tree)]
    #print tree.label
    #print [t for t in tree if tree.label == 'NP']
    return (tree.label == 'VP') and ('S' in child_nodes)
from nltk.corpus import treebank
[subtree for tree in treebank.parsed_sents()
         for subtree in tree.subtrees(filter)]

entries = nltk.corpus.ppattach.attachments('training')
table = nltk.defaultdict(lambda: nltk.defaultdict(set))
for entry in entries:
    key = entry.noun1 + '-' + entry.prep + '-' + entry.noun2
    table[key][entry.attachment].add(entry.verb)
for key in sorted(table):
    if len(table[key]) > 1:
        print key, 'N:', sorted(table[key]['N']), 'V:', sorted(table[key]['V'])

nltk.corpus.sinica_treebank.parsed_sents()[3450].draw()　　＃中央研究院树库语料

＃有害的歧义

歧义文法

＃加权文法

处理歧义是开发覆盖广泛的解析器的主要任务。图表解析器提高了计算同一个句子的多个分析的效率，但它们仍然会因可能的分析数量过多而不堪重负。加权文法和概率分析算法为这些问题提供了有效的解决方案

def give(t):
    return t.label == 'VP' and len(t) > 2 and t[1].label == 'NP' \
           and (t[2].label == 'PP-DTV' or t[2].label == 'NP') \
           and ('give' in t[0].leaves() or 'gave' in t[0].leaves())
def sent(t):
    return ' '.join(token for token in t.leaves() if token[0] not in '*-0')
def print_node(t, width):
    output = "%s %s: %s / %s: %s" %\
        (sent(t[0]), t[1].label, sent(t[1]), t[2].label, sent(t[2]))
    if len(output) > width:
        output = output[:width] + "..."
    print output
for tree in nltk.corpus.treebank.parsed_sents():
    for t in tree.subtrees(give):
        print_node(t, 72)

＃概率上下文无关文法（PCFG）

grammar = nltk.parse_pcfg("""
S    -> NP VP          [1.0]
VP   -> TV NP          [0.4]
VP   -> IV             [0.3]
VP   -> DatV NP NP     [0.3]
TV   -> 'saw'          [1.0]
IV   -> 'ate'          [1.0]
DatV -> 'gave'         [1.0]
NP   -> 'telescopes'   [0.8]
NP   -> 'Jack'         [0.2]
""")

七　深入阅读