NLP基础

一 NLP

1 主要范畴

• 文本朗读
• 语音合成
• 中文自动分词
• 词性标注
• 句法分析
• 自然语言生成
• 文本类
• 信息检索
• 信息抽取
• 文字校对
• 问答系统
• 自动摘要
• 文字蕴含

2 研究难点

• 单词的边界定义
• 不规范的输入
• 词义的消歧
• 句法的模糊性
• 语言行为与计划

二 NLP涉及的知识

1 词处理

• 分词，词性标注，实体识别，词义消歧

2 语句处理

• 语法分析，语义分析，机器翻译，语音合成

3统计语言模型

• N-Gram统计模型
• 马尔科夫模型 （时间和状态）
• 隐马尔科夫模型

三 NLTK库

Natural Language Toolkit    -----20世纪80年代

1 特点

自带语料库，词性分类库
自带分类，分词
强大的社区支持
还有很多很多的简单版wrapper

2 词性标注的分类

• 基于规则的词性标注
• 基于隐马尔科夫模型HMM的词性分类
• 基于转移的词性标注
• 基于转移与隐马尔科夫模型相结合的词性标注

3 词性标注的方法

• NLTK（英文）
• Jieba（中文）

4 分词难点

• 分词的标准
• 切分歧义
• 新词

5 分词算法

• 基于词典的分词算法
  • 正向最大匹配法 左→右
  • 逆向最大匹配法 右→左
  • 双向匹配分词 左→中←右
  • 全切分路径选择 切成往多切
• 基于统计的分词算法
  • HMM
  • 隐马尔科夫模型
  • CRF
  • 条件随机场
  • 深度学习

四 TF-IDF

TF-IDF → 统计文本出现的频率
TF：Term Frequency 衡量一个特任在文档中出现的有多频繁
TF（t）= （t出现在文档中的次数）/（文档中的term总数）
IDF：Inverse Document Frequency 衡量一个term有多重要
IDF（t）=log_e(文档总数/含有t的文档总数)
TF-IDF = TF*IDF

1 作用

• 提取文本向量的特征

2 使用

• scikit-learn
• NLTK（优点：快速简单 缺点：不够准确）