spacy进行简单的自然语言处理的学习

自然语言处理基本概念

概念：自然语言处理，是让机器理解人的语言的过程。
作用：通过使用自然语言处理，机器可以理解人的语言，从而进行语义分析，例如：从一句话中判断喜怒哀乐；从一段文字中判断是否存在存在诈骗…等等
语义分析和单纯的关键词简单检索有什么区别：
比如：对于a.你吃饭了吗？ b.你？饭？吃？了？吗，语义分析可以明白这两句话意思大致相同，但是关键词检索大概率无法识别。
原理：基于多层神经网络

如果理解自然语言处理

首先要明白，人类理解一句话是一个什么过程，当人听到一句话的时候，通常通过这段话里的音素（abcd）、词汇，语法，上下文，所以在自然语言处理中，也需要针对这四个部分进行处理，那这四个过程就被称为：

自然语言处理的四个过程

• Tokenisation 标记化
• Part-of-speech tagging 将部分语音进行标记
• Syntactic Parsing： constituency and dependency 同步解析
• Name Entity Recognition 名称实体识别

使用方法

1. NLTK
2. spaCy
3. Stanford CoreNLP
4. Jieba（主要应用于中文）

这里选择spacy作为例子

官方文档地址
先pip install spacy再python -m spacy download en_core_web_sm

任务一：NLP task 1: Tokenisation

tokenisation是通过使用数据处理的方式应用在文本上，将文本分成一个个小单元，当然这些单元在英语中就是一个个单词，但是在中文中就是一个个词语注意不是单个文字！
tokenisation是很多自然语言处理的第一个步骤，因为通过这种方式可以先简单的分析我们所要分析的文本内容。

spacy如何工作呢？

spacy使用直接套用文本内容的方法进行分词，
可以查看官网如下：

这里使用这样一句话作为例子The prime minister has said he will formally invite Joe Biden to Northern lrelandto mark the 25th anniversary of the Good Friday Agreement.

import spacy
nlp = spacy.load("en_core_web_sm")
import en_core_web_sm

nlp = en_core_web_sm.load()
doc = nlp(
    "The prime minister has said he will formally invite Joe Biden to Northern lrelandto mark the 25th anniversary of the Good Friday Agreement.")
for token in doc:
    print(token)
1
2
3
4
5
6
7
8
9

结果：

任务二：NLP task : POS tagging

是标注各个词语性质的过程，这对于整个文本的阅读是十分必要的，能够给各个词语分配他的词性。
spacy的词性介绍：

还是以上面的文本为例

# pos using spacy
import spacy
def pos_tagging_s(sen):
    #print(sen.text)
    #print(sen[1].pos_)
    #print(sen[1].tag_)
    #print(spacy.explain(sen[1].tag_))
    for word in sen:
        print("Word:", word.text, "\t","POS Tag:", word.pos_,"\t", "Tag for Word:", word.tag_,"Explanatation:", spacy.explain(word.tag_), "\n")

sp = spacy.load('en_core_web_sm')
sentence = sp("The prime minister has said he will formally invite Joe Biden to Northern lrelandto mark the 25th anniversary of the Good Friday Agreement.")
pos_tagging_s(sentence)
1
2
3
4
5
6
7
8
9
10
11
12
13

执行结果

任务三：Syntactic Parsing: constituency and dependency

这个过程通过分析语法，进行选取以及分析整段文字的依赖关系
还是以上面文字为例

#dependency parsing
import spacy
nlp = spacy.load("en_core_web_sm")
piano_text = "The prime minister has said he will formally invite Joe Biden to Northern lrelandto mark the 25th anniversary of the Good Friday Agreement."
piano_doc = nlp(piano_text)
for token in piano_doc:
  print(f""" TOKEN: {token.text} ===== {token.tag_ = } {token.head.text = } {token.dep_ = }""")
1
2
3
4
5
6
7

在这个例子中有24种很多种关系，以部分为例。
The prime minister
这句话中的关键是minister，那么对于the和prime他们就是依赖于minister的
再以he will formally invite
这句话的关键是invite，那么对于he will formally这三个词语，都是依赖于invite的，那invite呢？翻译上面的句子，可以发现，invite其实是said的一个定语，因此是依赖于said的。

那么可以很明显的发现spacy的依赖关系分析是很强大并且有效的，可以帮助我们很快的分析出这段话中依赖关系，以便于之后机器理解语义。

任务四：Name Entity Recognition

进行一个简单的语义分析，其实就是把主谓宾定状补，转换成主谓宾，提取其中的主要信息进行分析。

piano_class_text = "The prime minister has said he will formally invite Joe Biden to Northern lrelandto mark the 25th anniversary of the Good Friday Agreement."

piano_class_doc = nlp(piano_class_text)

for ent in piano_class_doc.ents:
    print(
        f"""
 {ent.text = }
 {ent.start_char = } {ent.end_char = }
 {ent.label_ = }
 spacy.explain('{ent.label_}') = {spacy.explain(ent.label_)}"""
    )

1
2
3
4
5
6
7
8
9
10
11
12
13

结果：
分别是
文字
文字开头位置结束位置
文字属于什么内容
文字的简单解释