知识图谱 每日阅读(二)

知识图谱中实体识别、实体抽取是一个十分重要的过程。它与自然语言处理密不可分。本篇将介绍自认语言处理中的预处理过程，帮助更好的理解实体抽取。

1.获取语料库

自然语言处理首先需要有数据，数据可以来自现有的语料库，开放网站上提供了一些语料库网址，比如人民日报语料，可以自行下载；如果现有的满足不了需求，可以通过网络爬虫获取自定义语料库。

2.预处理

预料的预处理十分重要，也是自然语言处理工程中最耗费人力的一个过程，预料的预处理主要包含下面几个过程：

语料清洗

通过去除不需要的内容，譬如转成文本形式的表情符号，爬取网页时爬取到一些代码的去除。常见的数据清洗方式有：人工去重、对齐、删除和标注等，或者规则提取内容、正则表达式匹配、根据词性和命名实体提取、编写脚本或者代码批处理等。

分词处理

获取到的语料一般是一个句子或者一段话。而我们需要将他们分成词或词语，这样才可以进行词性标注。这也是中文比较麻烦的一点，在英文中，句子中的每个单词都会以空格分隔，缩写也会以大写字母展示，而在中文中，每个句子中的词都连在一起，甚至有时还会有歧义。需要根据语境划分，这也是分词中比较难的一点。常见的分词算法有：基于字符串匹配的分词方法、基于理解的分词方法、基于统计的分词方法和基于规则的分词方法，每种方法下面对应许多具体的算法。

词性标注

给每个分好的词进行标注，如：名词、形容词、动词等。确定它属于哪一类词性。譬如“a”代表形容词，“n”代表名词。

常见的中文词性编码整理

去除停用词

停用词一般指对文本特征没有任何贡献作用的字词，比如标点符号、语气、人称等一些词。所以在一般性的文本处理中，分词之后，接下来一步就是去停用词。在情感分析中，停用词譬如标点符号还是应保留的。

以上就是语料的预处理过程，接下来我们开始介绍如何使用工具进行上述处理。

3.使用jieba工具进行分词，参考：jieba分词 

特点 

• 支持三种分词模式：
  • 精确模式，试图将句子最精确地切开，适合文本分析；
  • 全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；
  • 搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。
• 支持繁体分词
• 支持自定义词典
• MIT 授权协议

安装

代码对 Python 2/3 均兼容

• 全自动安装： easy_install jieba 或者 pip install jieba / pip3 install jieba
• 半自动安装：先下载 https://pypi.python.org/pypi/jieba/ ，解压后运行 python setup.py install
• 手动安装：将 jieba 目录放置于当前目录或者 site-packages 目录
• 通过 import jieba 来引用

算法

• 基于前缀词典实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图 (DAG)
• 采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合
• 对于未登录词，采用了基于汉字成词能力的 HMM 模型，使用了 Viterbi 算法

主要功能

分词

• jieba.cut 方法接受三个输入参数: 需要分词的字符串；cut_all 参数用来控制是否采用全模式；HMM 参数用来控制是否使用 HMM 模型
• jieba.cut_for_search 方法接受两个参数：需要分词的字符串；是否使用 HMM 模型。该方法适合用于搜索引擎构建倒排索引的分词，粒度比较细
• 待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建议直接输入 GBK 字符串，可能无法预料地错误解码成 UTF-8
• jieba.cut 以及 jieba.cut_for_search 返回的结构都是一个可迭代的 generator，可以使用 for 循环来获得分词后得到的每一个词语(unicode)，或者用
• jieba.lcut 以及 jieba.lcut_for_search 直接返回 list
• jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定义分词器，可用于同时使用不同词典。jieba.dt 为默认分词器，所有全局分词相关函数都是该分词器的映射。

eg:

# encoding=utf-8
import jieba

seg_list = jieba.cut("我来到大连理工大学读研究生", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list))  # 全模式

seg_list = jieba.cut("我来到大连理工大学读研究生", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list))  # 精确模式

seg_list = jieba.cut("他来到了北京实习")  # 默认是精确模式
print(", ".join(seg_list))

seg_list = jieba.cut_for_search("中国科学研究院计算所的地理位置在哪里")  # 搜索引擎模式
print(", ".join(seg_list))

output:

Full Mode: 我/ 来到/ 大连/ 大连理工/ 大连理工大学/ 连理/ 理工/ 理工大/ 理工大学/ 工大/ 大学/ 读研/ 研究/ 研究生
Prefix dict has been built succesfully.
Default Mode: 我/ 来到/ 大连理工大学/ 读/ 研究生
他, 来到, 了, 北京, 实习
中国, 科学, 研究, 研究院, 计算, 计算所, 的, 地理, 位置, 地理位置, 在, 哪里

jieba.lcut 对 cut 的结果做了封装，l 代表 list，即返回的结果是一个 list 集合。同样的，用 jieba.lcut_for_search 也直接返回 list 集合。

eg:

seg_list = jieba.lcut("他来到了北京实习")  # 默认是精确模式
print(seg_list)

output:

['他', '来到', '了', '北京', '实习']

2. 添加自定义词典

seg_list = jieba.cut("7月是属于李现的，我们都是现女友", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list))  # 全模式

对于这句话“7月是属于李现的，我们都是现女友”，默认模式下输出：

Full Mode: 7/ 月/ 是/ 属于/ 李/ 现/ 的/ / / 我们/ 都/ 是/ 现/ 女友

识别不出“李现”及“现女友”这两个新词，可以通过调整字典提高粉刺的准确性。

调整词典

使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中动态修改词典。

eg:

seg_list = jieba.cut("7月是属于李现的，我们都是现女友", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list))  

output:

Full Mode: 7/ 月/ 是/ 属于/ 李现/ 的/ / / 我们/ 都/ 是/ 现/ 女友

使用 suggest_freq(segment, tune=True) 可调节单个词语的词频，使其能（或不能）被分出来。

eg:

print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
jieba.suggest_freq(('中', '将'), True)
print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))

output:

如果/放到/post/中将/出错/。
如果/放到/post/中/将/出错/。

载入词典

开发者可以指定自己自定义的词典，以便包含 jieba 词库里没有的词。虽然 jieba 有新词识别能力，但是自行添加新词可以保证更高的正确率

用法： jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径

词典格式和 dict.txt 一样，一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。file_name 若为路径或二进制方式打开的文件，则文件必须为 UTF-8 编码。

词频省略时使用自动计算的能保证分出该词的词频。

3.词性标注

ieba.posseg.POSTokenizer(tokenizer=None) 新建自定义分词器，tokenizer 参数可指定内部使用的 jieba.Tokenizer分词器。jieba.posseg.dt 为默认词性标注分词器。

标注句子分词后每个词的词性，采用和 ictclas 兼容的标记法。

eg:

import jieba.posseg as pseg

seg_list = pseg.cut("7月是属于李现的，我们都是现女友")
for word, flag in seg_list:
     print('%s %s' % (word, flag))

output:

7 m
月 m
是 v
属于 v
李现 nr
的 uj
， x
我们 r
都 d
是 v
现 t
女友 n

jieba的功能很强大，还有并行分词、关键词提取等功能，如果是使用其他语言进行开发，JIEBA也提供了不同语言版本，支持JAVA、go、c++等语言。具体请查阅GITHUB文档。

本篇我们介绍了语料库，自然语言与处理的基础以及jieba工具的使用。