iT邦幫忙

第 11 屆 iThome 鐵人賽

DAY 3
3
AI & Data

深入淺出搜尋引擎和自然語言處理系列 第 3

Day 3: 親手讓電腦幫你標動詞和名詞吧!

  • 分享至 

  • xImage
  •  

昨天的文中我們說到詞性標註,今天讓我們透過NLP界經典的Python Library-NLTK,親手讓電腦幫我們標注文中的詞性。如系列簡介所說,在這30天中,我們總共會有十次的文章中會用到Python Jupyter Notebook。因此,建議在開頭就把Python的開發環境建好。

我自己的開發環境,給大家參考:

  • MacOS Mojave 10.14.5
  • virtualenv 15.1.0
  • python 3.6.0
  • pip 19.1.1

昨天在鐵人賽中有看到tgnco1218在他的文Day01 Jupyter Notebook. Jupyter Notebook基本安裝與操作中教大家怎麼安裝Jupyter Notebook,推薦給大家看!而為了今天的實作能順利進行,也需要大家安裝NLTK(可以pip install nltk)套件。

NLTK (aka Natural Language ToolKit,也就是自然語言工具箱),是2001年就持續更新的一個強大NLP Python library(在現實世界中不一定那麼強大哈,但用作練習工具綽綽有餘)。

在NLTK上有許多已經手動進行詞性標注的文集了。今天的實作,我們會使用Penn Treebank文集(the Penn Treebank Corpus)以及Brown文集(the Brown Corpus)。其中Penn Treebank中搜集了許多華爾街日報的文章(Wall Street Journal),而Brown中多數的文字和文學有關。在以下這格中我們下載Penn Treebank以及Brown這兩個文集,並且測試了這兩個文集中的第一個句子。".tagged_sents()"提取了詞性標註過的句子(sents = sentences)。

import nltk

from nltk.corpus import treebank, brown
nltk.download('treebank')
nltk.download('brown')
print(treebank.tagged_sents()[0])
print(brown.tagged_sents()[0])

https://ithelp.ithome.com.tw/upload/images/20190904/20118683cWEfn1pCQD.png

在NLTK中,文字和標註的組合是以tuple的方式儲存的。然而在實作上,詞性標註常以"word/tag"的方式顯示,例如"Pierre/NNP", "the/DT"。NNP是指專有名詞、DT則為定冠詞,完整的標籤列表大家可以參考:https://www.ling.upenn.edu/courses/Fall_2003/ling001/penn_treebank_pos.html 。
值得注意的是,這兩個文集並不是使用相同的標註方式。同樣是"the",Brown把它標註成"AT"(Article,冠詞),而在Penn Treebank中則被標註為"DT(Determiner,定冠詞)。好消息是,在NLTK中我們也可以把他們都轉換成Universal標註方式。https://universaldependencies.org/u/pos/ 。

import nltk
nltk.download('universal_tagset')
print(treebank.tagged_sents(tagset="universal")[0])
print(brown.tagged_sents(tagset="universal")[0])

https://ithelp.ithome.com.tw/upload/images/20190904/20118683TlTEqn0t1G.png

知道了詞性標註的基本規則之後,我們開始開發一個Unigram Tagger吧!首先,我們需要先記錄每一個字形是出現各種詞性的頻率。我們可以將它存在python資料結構的dict中dict(事實上這不是最有效率的存法 :D)。雖然前面也介紹Brown Corpus,但從這邊開始我們專注於使用Penn Treebank的標籤規則。

from collections import defaultdict

POS_dict = defaultdict(dict)
for word_pos_pair in treebank.tagged_words():
    word = word_pos_pair[0].lower() # 正規化成小寫
    POS = word_pos_pair[1]
    POS_dict[word][POS] = POS_dict[word].get(POS,0) + 1

取一些字來看看他們怎麼表現多個詞性標註,以及每個詞性在文集中的分布狀況:

for word in list(POS_dict.keys())[900:1000]:
    if len(POS_dict[word]) > 1:
        print(word)
        print(POS_dict[word])

結果會如同這張圖所顯示:
https://ithelp.ithome.com.tw/upload/images/20190904/20118683dTDVenlUS0.png
在這裡我們能觀察到一些常見的歧義會發生在名詞和動詞之間(plans, decline, cost);在動詞之間,過去式和過去分詞也會發生同樣的問題(announced, offered, spent).

為了開發出我們的第一個標註器(Unigram Tagger),我們只需要為每個詞選出最常見的詞性。

tagger_dict = {}
for word in POS_dict:
    tagger_dict[word] = max(POS_dict[word],key=lambda x: POS_dict[word][x])

def tag(sentence):
    return [(word,tagger_dict.get(word,"NN")) for word in sentence]

example_sentence = """You better start swimming or sink like a stone , cause the times they are a - changing .""".split() 
print(tag(example_sentence))

https://ithelp.ithome.com.tw/upload/images/20190904/20118683kBrKaL1VnJ.png
因為不是每一個字都是我們在training set中看過的字,所以遇到沒有看過的字,我們會自動標註成名詞"NN"。我們可以觀察到這樣的方法雖然會有一些問題,例如"swimming"在該是動詞,卻因此被標註成了名詞。然而總體而言,這樣標註的成效還挺不錯的。

NLTK也有內建的N-gram tagger,我們可以使用內建的Unigram(1-gram)和Bigram(2-gram) Tagger。首先,需要將文集切割成訓練集和測試集。

# 訓練集:測試集 = 9:1
size = int(len(treebank.tagged_sents()) * 0.9)
train_sents = treebank.tagged_sents()[:size] 
test_sents = treebank.tagged_sents()[size:]

我們先來比對預設的Unigram和Bigram Tagger。NLTK裡面所有的標註器都有評價功能,藉此回傳測試集運行在這個訓練模型的準確率(accuracy)。

from nltk import UnigramTagger, BigramTagger

unigram_tagger = UnigramTagger(train_sents)
bigram_tagger = BigramTagger(train_sents)
print(unigram_tagger.evaluate(test_sents))
print(unigram_tagger.tag(example_sentence))
print(bigram_tagger.evaluate(test_sents))
print(bigram_tagger.tag(example_sentence))

https://ithelp.ithome.com.tw/upload/images/20190904/201186837YdAJ4pRLY.png
在這裡Unigram Tagger的效果好太多了。原因很明顯,因為Bigram Tagger並沒有足夠的資料來觀察前後文的關係,更糟的是,一旦一個詞的詞性判斷被判定成"None",後面整句話也都會失敗。為了解決問題,我們需要為Bigram Tagger加上退避(backoffs)。關於退避,我們在未來講到N-gram語言模型和Smoothing時會詳細討論,現在我們就先預設那些"None"的字為"NN"吧!

from nltk import DefaultTagger

default_tagger = DefaultTagger("NN")
unigram_tagger = UnigramTagger(train_sents,backoff=default_tagger)
bigram_tagger = BigramTagger(train_sents,backoff=unigram_tagger)

print(bigram_tagger.evaluate(test_sents))
print(bigram_tagger.tag(example_sentence))

https://ithelp.ithome.com.tw/upload/images/20190904/201186835iRcrFlft8.png
藉由退避方法,我們將Bigram的資訊加到Unigram之上,準確率也有了3%的提升。

今天Jupyter Notebook可以從這裡下載。

若想要了解更多,也可以參考Stanford POS Tagger(網址在這)。至於中文詞性標註,可以先從這兩篇文章著手:NLTK 初學指南(一):簡單易上手的自然語言工具箱-探索篇NLTK中文詞性自動標註


上一篇
Day 2: 語音辨識從何而來?電腦也懂名詞?關於語音辨識和詞性標注
下一篇
Day 4: AI也會寫文章?關於自然語言生成
系列文
深入淺出搜尋引擎和自然語言處理30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言