雷鋒網(wǎng)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(shù)據(jù)科學時，我們經(jīng)常想到的是針對數(shù)字的統(tǒng)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(shù)據(jù)，它們需要被量化和分析。其中的一些例子有社交網(wǎng)絡評論，產品評價，電郵，采訪稿。

為了分析文本，數(shù)據(jù)科學家經(jīng)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(jīng)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(shù)據(jù)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(xiàn)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(xiàn)「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(fā)生；形容詞則用以描述名詞。利用這些屬性，可以很方便地統(tǒng)計一段文本內最常見的名詞，動詞和形容詞，從而創(chuàng)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(tǒng)計其中最常見名詞的數(shù)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(guī)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(zhí)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(fā)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(shù)據(jù)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(jīng)能很好地識別出句子中的命名實體，并區(qū)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(guī)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(shù)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(jīng)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(xiàn)的所有角色及其行為?？紤]到圣經(jīng)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(shù)據(jù)中，每一個對象就是一段圣經(jīng)中的經(jīng)文。經(jīng)文是用來索引圣經(jīng)中的具體章節(jié)，一般包括一句或若干句文本。我們會遍歷每段經(jīng)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(jīng)。然后，對于抽取出的每段經(jīng)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(jīng)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(jīng)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?。榱撕唵纹鹨?，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(xiàn)的對數(shù)概率（使用對數(shù)概率是因為往往這里的概率值會非常?。?/span>

5）該段經(jīng)文的序號。

分析

我們已經(jīng)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(xù)閱讀，請移步至我們的AI研習社社區(qū)：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(qū)塊鏈，自動駕駛，數(shù)據(jù)挖掘，智能控制，編程語言等每日更新。

雷鋒網(wǎng)(公眾號：雷鋒網(wǎng))雷鋒網(wǎng)