NLP 教程：詞性標注、依存分析和命名實體識別解析與應用

雷鋒網按：本文為雷鋒字幕組編譯的技術博客，原標題 Holy NLP! Understanding Part of Speech Tags, Dependency Parsing, and Named Entity Recognition，作者為 Peter Baumgartner。

翻譯 | 陳濤  程思婕        整理 | 凡江

當我們提到數據科學時，我們經常想到的是針對數字的統計分析。但實際上，更為常見的是由機構所產生的大量非結構化文本數據，它們需要被量化和分析。其中的一些例子有社交網絡評論，產品評價，電郵，采訪稿。

為了分析文本，數據科學家經常會用到自然語言處理（NLP）。在本文中，我們將詳細介紹 3 個常見的 NLP 任務，并研究如何運用它們來分析文本。我們將討論的三個任務分別是：

1. 詞性標注：這個詞語的詞性是什么？

2. 依存分析：這個詞語與句中其他詞語有什么關系？

3. 命名實體識別：這個詞語是否是專有名詞？

我們將通過spaCy這個 python 庫，來調用上述三種功能，從而對圣經中的主要角色進行挖掘，并分析他們的行為。接著，我們將嘗試對得到的結構化數據做一些有趣的可視化。

當你有大量的文本文檔時，你就可以采用這個方法，去了解文檔中有哪些主要的實體，它們出現在文檔何處，它們做了什么。比如，DocumentCloud 采用了與此類似的方法來實現「查看實體」的分析選項。

詞條與詞性標注

有一種從文本中提取意義的方法是逐一分析每一個詞語。將文本切分成詞語的過程稱為詞條化，得到的詞語被稱為詞條。標點符號也是詞條的一種。句中的每個詞條都有若干屬性，我們可以對此進行分析。其中一個例子就是詞語的詞性：名詞表示人物，地點或事物；動詞表示動作或事件的發生；形容詞則用以描述名詞。利用這些屬性，可以很方便地統計一段文本內最常見的名詞，動詞和形容詞，從而創建出一份摘要。

利用 spaCy，我們可以對一段文本進行詞條化，從而得到每個詞條的詞性屬性。以下面的代碼作為示例應用程序，我們對之前的段落進行詞條化，并統計其中最常見名詞的數目。此外，我們對詞條進行了詞性還原，即得到每個詞的詞根，規范了詞語的形式。

依存分析

詞語之間存在著一定的關系，其中有幾種常見的類型。比如，名詞可以作為句子中的主語，從而執行一個動作（動詞），如同「Jill laughed」。名詞也可以作為句子中的賓語，其會受到主語的動作影響，就像此句中的 John：「Jill laughed at John」。

依存分析正是理解句子中詞語間關系的一種方法。句子「Jill laughed at John」中有兩個名詞 Jill 和 John。Jill 是主語，表示發出笑這個動作的人，而 John 是賓語，表示被取笑的人。依存關系是一種更精細的屬性，可以用來理解句子中詞語間的關系。

詞語間的關系可以隨著句子的組織方式而變得很復雜。對一個句子進行依存分析，將得到以動詞為根的樹狀數據結構。

讓我們來看下這句話的依存分析結果：「The quick brown fox jumps over the lazy dog」。

依存關系也是詞條屬性的一種。spaCy提供了一系列API，可以幫助我們得到詞條的各種屬性。下面我們將打印出各個詞條的文本，詞條間的依存關系及其父詞條（頭詞條）的文本。

為了進一步分析，我們需要留意那些帶有nsubj關系的詞條，這表示它們是句子中的主語。在這個例子中，意味著我們需要將詞語「fox」記錄下來。

命名實體識別

最后就是命名實體識別了。命名實體是指句子中的專有名詞。計算機已經能很好地識別出句子中的命名實體，并區分其實體類型。

spaCy是在文檔級層面進行命名實體識別的操作。這是因為一個實體的名稱可能跨越多個詞條。每一個詞條會被標記為實體的一部分，具體實施是按照 IOB 規則 來標記，分為實體的開始，實體的內部以及實體的外部。

在下面的代碼中，我們使用docs.ents函數打印出所有文檔級的命名實體。接著，我們打印出每一個詞條，它的 IOB 標注及所屬的實體類型（如果該詞條是某個實體一部分的話）。

我們使用的例句是：「Jill laughed at John Johnson」。

一個實際應用的例子：對圣經進行自然語言處理

分別使用上述提到的方法，效果都挺不錯。然而，自然語言處理的真正威力在于我們可以將這些方法結合起來，從而提取出符合語言模式的信息。我們可以使用詞性標注，依存分析和命名實體識別去理清大量文本中出現的所有角色及其行為。考慮到圣經的長度及其提到的大量角色，它正是一個應用這些方法的好例子。

在我們導入的數據中，每一個對象就是一段圣經中的經文。經文是用來索引圣經中的具體章節，一般包括一句或若干句文本。我們會遍歷每段經文，提取其中的主語，判斷其是否是人名，并抽取出該人物的行為。

首先，我們從 github 倉庫中加載 json 格式的圣經。然后，對于抽取出的每段經文文本，利用spaCy對其進行依存分析和詞性標注，并將分析后的結果儲存起來。

我們將文本從 json 格式中解析出來，并存入verse_docs這個變量里，耗時大約三分多鐘，平均一秒鐘處理 160 段經文。作為參考，我們可以看一下bible_json的前三行。

使用詞條屬性

為了提取角色和相關的行為，我們需要對每段經文中的所有詞條進行遍歷，并考慮 3 個要素。

1）這個詞條是否是句子的主語（即查看其依存關系是否是nsubj）；

2）這個詞條的父詞條是否是動詞（一般情況下應該是動詞，但有時詞性標注會和依存分析得出矛盾的結果，我們還是謹慎一點吧。當然我并非語言學家，因此可能此處存在著一些奇怪的極端例子）；

3）這個詞條是否是指代人的命名實體，我們并不想對非人物的名詞進行提取（為了簡單起見，我們只提取每個角色的名字部分）。

如果有詞條符合上述的三個條件，我們將對其收集下列屬性。

1）詞條所表示的名詞實體的文本；

2）包含名詞和動詞的文本范圍（即短語）；

3）其相關的動詞；

4）該動詞在標準英語文本中出現的對數概率（使用對數概率是因為往往這里的概率值會非常小）；

5）該段經文的序號。

分析

我們已經提取出所有角色和他們的行為，并以列表的形式進行存儲。我們先做一個快速分析，計算以下兩項。

1）弄清楚每個人物最常見的行為（即動詞）。

......

想要繼續閱讀，請移步至我們的AI研習社社區：https://club.leiphone.com/page/TextTranslation/848

更多精彩內容盡在 AI 研習社。

不同領域包括計算機視覺，語音語義，區塊鏈，自動駕駛，數據挖掘，智能控制，編程語言等每日更新。

雷鋒網(公眾號：雷鋒網)雷鋒網