人工智能和機器學(xué)習(xí)系列(六) NLTK自然語言處理

本篇文章是我們學(xué)習(xí) Python 及其在機器學(xué)（ML）和人工智能（AI）中的應(yīng)用系列的第六個模塊。在上一個模塊中，我們討論了使用 OpenCV 進行圖像識別?，F(xiàn)在我們就來看看自然語言工具包（NLTK）能夠做些什么？

安裝

第一種方法，可以用Anaconda來安裝NLTK：

conda install nltk

第二種方法，可以用pip，在Jupyter Notebook的單元中運行安裝NLTK：

!pip install --upgrade nltk

如果以下 Python 代碼運行沒有錯誤，則說明安裝是成功的：

import nltk

NLTK 附帶了大量可以下載的數(shù)據(jù)（語料庫、語法、模型等），所以只需運行以下的 Python 命令就會出現(xiàn)一個顯示交互式下載窗口：

ntlk.download()

對于此模塊，你還需要安裝“停用詞”的語料庫。下載后，還要再創(chuàng)建一個名為NLTK_DATA包含下載目錄路徑的環(huán)境變量（如果你進行集中安裝，則不需要；有關(guān)安裝數(shù)據(jù)的完整指南，請參閱文檔）。

文本分類

對文本進行分類意味著要為其分配標(biāo)簽。我們可以采用多種方式對文本進行分類，例如情感分析（正面/負面/中性）、垃圾郵件分類（垃圾郵件/非垃圾郵件）、按文檔主題等。

在本模塊中，我們將使用大型電影評論數(shù)據(jù)集演練文本分類示例，該數(shù)據(jù)集提供 25,000 條電影評論（正面和負面）用于訓(xùn)練和相同數(shù)量的測試。

NLTK 提供了一個樸素貝葉斯分類器來處理機器學(xué)習(xí)工作。我們的工作主要是編寫一個從文本中提取“特征”的函數(shù)。分類器使用這些特征來執(zhí)行其分類。

我們的函數(shù)稱為feature extractor，它接受一個字符串（文本）作為參數(shù)，并返回一個將特征名稱映射到它們的值的字典，稱為feature set。

對于電影評論，我們的特征將是前N 個詞（不包括停用詞）。因此，特征提取器將返回一個特征集，其中包含這N 個單詞作為鍵，并返回一個布爾值，表示它們的存在或不存在作為值。

第一步是瀏覽評論，存儲所有單詞（停用詞除外），并找到最常用的單詞。

首先，這個輔助函數(shù)接受一個文本并輸出它的非停用詞：

import nltk
import nltk.sentiment.util
from nltk.corpus import stopwords

import nltk.sentiment.util
stop = set(stopwords.words("english"))
def extract_words_from_text(text):
    tokens = nltk.word_tokenize(text)
    tokens_neg_marked = nltk.sentiment.util.mark_negation(tokens)
    return [t for t in tokens_neg_marked
             if t.replace("_NEG", "").isalnum() and
             t.replace("_NEG", "") not in stop]

word_tokenize 將文本拆分為一個標(biāo)記列表（仍然保留標(biāo)點符號）。

mark_negation用 _NEG 標(biāo)記否定后的標(biāo)記。所以，例如，“我不喜歡這個?！?nbsp;在標(biāo)記化和標(biāo)記否定之后變成這個：

["I", "did", "not", "enjoy_NEG", "this_NEG", "."].

最后一行刪除所有停用詞（包括否定詞）和標(biāo)點符號。文中還有很多沒用的詞，比如“我”或者“這個”，但是這個過濾就足夠我們演示了。

接下來，我們構(gòu)建從評論文件中讀取的所有單詞的列表。我們保留一個單獨的正面和負面詞列表，以確保在我們選取最重要的詞時保持平衡。（我還在沒有將單詞列表分開的情況下對其進行了測試，結(jié)果發(fā)現(xiàn)大多數(shù)正面評論都被歸類為負面評論。）同時，我們還可以創(chuàng)建所有正面評論和所有負面評論的列表。

import os

positive_files = os.listdir("aclImdb/train/pos")
negative_files = os.listdir("aclImdb/train/neg")

positive_words = []
negative_words = []

positive_reviews = []
negative_reviews = []

for pos_file in positive_files:
    with open("aclImdb/train/pos/" + pos_file, "r") as f:
        txt = f.read().replace("<br />", " ")
        positive_reviews.append(txt)
        positive_words.extend(extract_words_from_text(txt))
for neg_file in negative_files:
    with open("aclImdb/train/neg/" + neg_file, "r") as f:
        txt = f.read().replace("<br />", " ")
        negative_reviews.append(txt)
        negative_words.extend(extract_words_from_text(txt))

運行此代碼可能需要一段時間，因為有很多文件。

然后，我們只保留正面和負面詞列表中的前N 個詞（在本例中為 2000 個詞）并將它們組合起來。

N = 2000

freq_pos = nltk.FreqDist(positive_words)
top_word_counts_pos = sorted(freq_pos.items(), key=lambda kv: kv[1], reverse=True)[:N]
top_words_pos = [twc[0] for twc in top_word_counts_pos]

freq_neg = nltk.FreqDist(negative_words)
top_word_counts_neg = sorted(freq_neg.items(), key=lambda kv: kv[1], reverse=True)[:N]
top_words_neg = [twc[0] for twc in top_word_counts_neg]

top_words = list(set(top_words_pos + top_words_neg))

現(xiàn)在我們可以編寫一個特征提取器。如前所述，它應(yīng)該返回一個字典，其中每個最上面的單詞作為鍵，True或者False作為值，這取決于該單詞是否存在于文本中。

def extract_features(text):
    text_words = extract_words_from_text(text)
    return { w: w in text_words for w in top_words }

然后我們創(chuàng)建一個訓(xùn)練集，我們將其提供給樸素貝葉斯分類器。訓(xùn)練集應(yīng)該是一個元組列表，其中每個元組的第一個元素是特征集，第二個元素是標(biāo)簽。

training = [(extract_features(review), "pos") for review in positive_reviews] + [(extract_features(review), "neg") for review in negative_reviews]

上面的行占用大量 RAM 并且速度很慢，因此您可能希望通過獲取評論列表的一部分來使用評論的子集。

訓(xùn)練分類器很簡單：

classifier = nltk.NaiveBayesClassifier.train(training)

要立即對評論進行分類，請classify在新功能集上使用該方法：

print(classifier.classify(extract_features("Your review goes here.")))

如果你想要查看每個標(biāo)簽的概率，可以用prob_classify替代：

def get_prob_dist(text):
    prob_dist = classifier.prob_classify(extract_features(text))
    return { "pos": prob_dist.prob("pos"), "neg": prob_dist.prob("neg") }

print(get_prob_dist("Your review goes here."))

分類器具有基于測試集確定模型準確性的內(nèi)置方法。該測試集的形狀與訓(xùn)練集相同。電影評論數(shù)據(jù)集有一個單獨的目錄，其中包含可用于此目的的評論。

test_positive = os.listdir("aclImdb/test/pos")[:2500]
test_negative = os.listdir("aclImdb/test/neg")[:2500]

test = []

for pos_file in test_positive:
    with open("aclImdb/test/pos/" + pos_file, "r") as f:
        txt = f.read().replace("<br />", " ")
        test.append((extract_features(txt), "pos"))
for neg_file in test_negative:
    with open("aclImdb/test/neg/" + neg_file, "r") as f:
        txt = f.read().replace("<br />", " ")
        test.append((extract_features(txt), "neg"))

print(nltk.classify.accuracy(classifier, test))

使用 N = 2000，在訓(xùn)練集中有 5000 條正面評論和 5000 條負面評論，我用這段代碼獲得了大約 85% 的準確率。

結(jié)論

在本模塊中，我們研究了 NLTK 在文本分類中的工作原理，并使用情感分析進行了演示。你也可以用相同的方式將其應(yīng)用到其他至少有兩個標(biāo)簽的分類。