精通Python自然语言处理 4 ：词性标注--单词识别

   词性标注被用于信息检索、机器翻译、NER、语言分析等

1、词性标注简介

   一个对句中的每个标识符分配词类（如名词、动词、形容词等）标记的过程。在nltk.tag包中并被TaggerIbase类所继承。

>>> text1 = nltk.word_tokenize("It is a pleasnat day today")
>>> nltk.pos_tag(text1)
[('It', 'PRP'), ('is', 'VBZ'), ('a', 'DT'), ('pleasnat', 'JJ'), ('day', 'NN'), ('today', 'NN')]

Penn Treebank的标记列表https://www.ling.upenn.edu/courses/Fall_2003/ling001/penn_treebank_pos.html

>>> nltk.help.upenn_tagset('VB.*')

在NLTK中，已标注的标识符呈现为一个由标识符及其标记组成的元组。

>>> taggedword = nltk.tag.str2tuple('bear/NN')  # 标识符及其标记组成的元组
>>> taggedword
('bear', 'NN')
>>> taggedtok = ('bear', 'NN')   # 单词及其词性标记
>>> nltk.tag.util.tuple2str(taggedtok)
'bear/NN'

    默认标识：DefaultTagger类

2、创建词性标注语料库

   一个语料库可以认为是文档的集合。一个语料库是多个语料库的集合。

>>> from nltk.corpus import words
>>> words.fileids()
[u'en', u'en-basic']
>>> len(words.words('en'))
235886

3、选择一种机器学习算法

    词性标注也被称为词义消歧或语法标注

    在训练词性分类器时，会生成一个特征集。大体组成如下：

• 当前单词的信息
• 上一个单词或前缀的信息
• 下一个单词或后缀的信息

     在NLTK中，FastBrillTagger类是基于一元语法的。它使用一个包含已知单词及其词性标记信息的字典。

4、涉及n-gram的统计建模

    一元语法意味着一个独立的单词，在一元语法标注器中，单个的标识符用于查找特定的词性标记。

    可以通过在初始化标注器时提供一个句子的列表来执行UnigramTagger的训练

>>> from nltk.tag import UnigramTagger
>>> from nltk.corpus import treebank
>>> training = treebank.tagged_sents()[:7000]   # 使用前7000个句子进行训练
>>> unitagger = UnigramTagger(training)
>>> treebank.sents()[0]
[u'Pierre', u'Vinken', u',', u'61', u'years', u'old', u',', u'will', u'join', u'the', u'board', u'as', u'a', u'nonexecutive', u'director', u'Nov.', u'29', u'.']
>>> unitagger.tag(treebank.sents()[0])
[(u'Pierre', u'NNP'), (u'Vinken', u'NNP'), (u',', u','), (u'61', u'CD'), (u'years', u'NNS'), (u'old', u'JJ'), (u',', u','), (u'will', u'MD'), (u'join', u'VB'), (u'the', u'DT'), (u'board', u'NN'), (u'as', u'IN'), (u'a', u'DT'), (u'nonexecutive', u'JJ'), (u'director', u'NN'), (u'Nov.', u'NNP'), (u'29', u'CD'), (u'.', u'.')]

要评估UnigramTagger，下面用于计算其准确性的代码：准确率为96%

>>> testing = treebank.tagged_sents()[2000:]
>>> unitagger.evaluate(testing)
0.9634419196584355   --> 96%

5、使用词性标注语料库开发分块器

    分块是一个可用于执行实体识别的过程。它用于分割和标记居中的多个标识符序列

    首先定义分块语法，包含了有关如何进行分块的规则。如下名词短语分块：

>>> sent = [("A","DT"),("wise","JJ"),("small","JJ"),("girl","NN"),("of","IN"),("village","NN"),("became","VBD"),("leader","NN")]
>>> grammar = "NP: {<DT>?<JJ>*<NN><IN>?<NN>*}"
>>> find = nltk.RegexpParser(grammar)
>>> res = find.parse(sent)
>>> print(res)
(S
  (NP A/DT wise/JJ small/JJ girl/NN of/IN village/NN)
  became/VBD
  (NP leader/NN))

生成解析树：   res.draw()

分块是语块的一部分被消除的过程，既可以使用整个语块，也可以使用语块中间的一部分并删除剩余的部分，或者也可以使用语块从开始或结尾截取的一部分并删除剩余的部分。