模块1　NLTK基础知识

第　1章 自然语言处理简介　3

1.1　为什么要学习NLP　4

1.2　从Python的基本知识开始　7

1.2.1　列表　7

1.2.2　自助　8

1.2.3　正则表达式　9

1.2.4　词典　11

1.2.5　编写函数　11

1.3　NLTK　13

1.4　试一试　18

1.5　本章小结　18

第　2章 文本的整理和清洗　19

2.1　文本整理　19

2.2　文本清洗　21

2.3　句子拆分器　22

2.4　标记解析　22

2.5　词干提取　24

2.6　词形还原　25

2.7　停用词删除　26

2.8　生僻字删除　27

2.9　拼写校正　27

2.10　试一试　28

2.11　本章小结　28

第3章　词性标注　30

3.1　什么是词性标注　30

3.1.1　斯坦福标注器　33

3.1.2　深入了解标注器　34

3.1.3　序列标注器　35

3.1.4　布里尔标注器　37

3.1.5　基于标注器的机器学习　37

3.2　命名实体识别　38

3.3　试一试　40

3.4　本章小结　41

第4章　对文本的结构进行语法分析　42

4.1　浅层语法分析与深层语法

分析　42

4.2　语法分析的两种方法　43

4.3　为什么需要语法分析　43

4.4　不同类型的语法分析器　45

4.4.1　递归下降的语法分析器　45

4.4.2　移位归约语法分析器　45

4.4.3　图表语法分析器　45

4.4.4　正则表达式语法

分析器　46

4.5　依存分析　47

4.6　组块化　49

4.7　信息抽取　51

4.7.1　命名实体识别　52

4.7.2　关系抽取　52

4.8　本章小结　53

第5章　NLP应用　54

5.1　构建第 一个NLP应用　54

5.2　其他的NLP应用　58

5.2.1　机器翻译　58

5.2.2　统计机器翻译　59

5.2.3　信息检索　59

5.2.4　语音识别　61

5.2.5　文本分类　62

5.2.6　信息提取　63

5.2.7　问答系统　64

5.2.8　对话系统　64

5.2.9　词义消歧　64

5.2.10　主题建模　64

5.2.11　语言检测　65

5.2.12　光学字符识别　65

5.3　本章小结　65

第6章　文本分类　66

6.1　机器学习　67

6.2　文本分类　68

6.3　采样　70

6.3.1　朴素贝叶斯　73

6.3.2　决策树　75

6.3.3　随机梯度下降　76

6.3.4　逻辑回归　77

6.3.5　支持向量机　78

6.4　随机森林算法　79

6.5　文本聚类　79

6.6　文本的主题建模　81

6.7　参考资料　83

6.8　本章小结　83

第7章　网络爬取　85

7.1　网络爬虫　85

7.2　编写第 一个爬虫程序　86

7.3　Scrapy中的数据流　89

7.3.1　Scrapy命令行界面　89

7.3.2　项　94

7.4　站点地图蜘蛛　96

7.5　项管道　97

7.6　外部参考　98

7.7　本章小结　99

第8章　与其他Python库一同

使用NLTK　100

8.1　NumPy　100

8.1.1　ndarray　101

8.1.2　基本操作　102

8.1.3　从数组中提取数据　103

8.1.4　复杂的矩阵运算　103

8.2　SciPy　107

8.2.1　线性代数　108

8.2.2　特征值和特征向量　108

8.2.3　稀疏矩阵　109

8.2.4　优化　110

8.3　Pandas　111

8.3.1　读取数据　112

8.3.2　时序数据　114

8.3.3　列转换　115

8.3.4　噪声数据　116

8.4　Matplotlib　117

8.4.1　subplot　118

8.4.2　添加轴　119

8.4.3　散点图　120

8.4.4　柱状图　120

8.4.5　3D图　121

8.5　外部参考　121

8.6　本章小结　121

第9章　使用Python进行社交媒体

挖掘　122

9.1　数据收集　122

9.2　数据提取　126

9.3　地理可视化　128

9.3.1　影响者检测　129

9.3.2　Facebook　130

9.3.3　影响者的朋友　134

9.4　本章小结　135

第　10章 大规模的文本挖掘　136

10.1　在Hadoop上使用Python的

不同方法　136

10.1.1　Python的流　137

10.1.2　Hive/Pig UDF　137

10.1.3　流包装器　137

10.2　在Hadoop上运行NLTK　138

10.2.1　UDF　138

10.2.2　Python流　140

10.3　在Hadoop上运行

Scikit-learn　141

10.4　PySpark　144

10.5　本章小结　146

模块2　使用Python 3的NLTK 3进行文本处理

第　1章 标记文本和WordNet的基础　149

1.1　引言　149

1.2　将文本标记成句子　150

1.2.1　准备工作　150

1.2.2　工作方式　151

1.2.3　工作原理　151

1.2.4　更多信息　151

1.2.5　请参阅　152

1.3　将句子标记成单词　152

1.3.1　工作方式　152

1.3.2　工作原理　153

1.3.3　更多信息　153

1.3.4　请参阅　154

1.4　使用正则表达式标记语句　154

1.4.1　准备工作　155

1.4.2　工作方式　155

1.4.3　工作原理　155

1.4.4　更多信息　155

1.4.5　请参阅　156

1.5　训练语句标记生成器　156

1.5.1　准备工作　156

1.5.2　工作方式　156

1.5.3　工作原理　157

1.5.4　更多信息　158

1.5.5　请参阅　158

1.6　在已标记的语句中过滤

停用词　158

1.6.1　准备工作　158

1.6.2　工作方式　159

1.6.3　工作原理　159

1.6.4　更多信息　159

1.6.5　请参阅　160

1.7　查找WordNet中单词的

Synset　160

1.7.1　准备工作　160

1.7.2　工作方式　160

1.7.3　工作原理　161

1.7.4　更多信息　161

1.7.5　请参阅　163

1.8　在WordNet中查找词元和

同义词　163

1.8.1　工作方式　163

1.8.2　工作原理　163

1.8.3　更多信息　163

1.8.4　请参阅　165

1.9　计算WordNet和Synset的

相似度　165

1.9.1　工作方式　165

1.9.2　工作原理　165

1.9.3　更多信息　166

1.9.4　请参阅　167

1.10　发现单词搭配　167

1.10.1　准备工作　167

1.10.2　工作方式　167

1.10.3　工作原理　168

1.10.4　更多信息　168

1.10.5　请参阅　169

第　2章 替换和校正单词　170

2.1　引言　170

2.2　词干提取　170

2.2.1　工作方式　171

2.2.2　工作原理　171

2.2.3　更多信息　171

2.2.4　请参阅　173

2.3　使用WordNet进行词形还原　173

2.3.1　准备工作　173

2.3.2　工作方式　173

2.3.3　工作原理　174

2.3.4　更多信息　174

2.3.5　请参阅　175

2.4　基于匹配的正则表达式替换

单词　175

2.4.1　准备工作　175

2.4.2　工作方式　175

2.4.3　工作原理　176

2.4.4　更多信息　177

2.4.5　请参阅　177

2.5　移除重复字符　177

2.5.1　准备工作　177

2.5.2　工作方式　178

2.5.3　工作原理　178

2.5.4　更多信息　179

2.5.5　请参阅　179

2.6　使用Enchant进行拼写校正　180

2.6.1　准备工作　180

2.6.2　工作方式　180

2.6.3　工作原理　181

2.6.4　更多信息　181

2.6.5　请参阅　183

2.7　替换同义词　183

2.7.1　准备工作　183

2.7.2　工作方式　183

2.7.3　工作原理　184

2.7.4　更多信息　184

2.7.5　请参阅　185

2.8　使用反义词替换否定形式　186

2.8.1　工作方式　186

2.8.2　工作原理　187

2.8.3　更多信息　187

2.8.4　请参阅　188

第3章　创建自定义语料库　189

3.1　引言　189

3.2　建立自定义语料库　190

3.2.1　准备工作　190

3.2.2　工作方式　190

3.2.3　工作原理　191

3.2.4　更多信息　192

3.2.5　请参阅　192

3.3　创建词汇表语料库　192

3.3.1　准备工作　192

3.3.2　工作方式　193

3.3.3　工作原理　193

3.3.4　更多信息　194

3.3.5　请参阅　194

3.4　创建已标记词性单词的

语料库　195

3.4.1　准备工作　195

3.4.2　工作方式　195

3.4.3　工作原理　196

3.4.4　更多信息　196

3.4.5　请参阅　199

3.5　创建已组块短语的语料库　199

3.5.1　准备工作　199

3.5.2　工作方式　199

3.5.3　工作原理　201

3.5.4　更多信息　201

3.5.5　请参阅　203

3.6　创建已分类文本的语料库　203

3.6.1　准备工作　204

3.6.2　工作方式　204

3.6.3　工作原理　204

3.6.4　更多信息　205

3.6.5　请参阅　206

3.7　创建已分类组块语料库

读取器　206

3.7.1　准备工作　206

3.7.2　工作方式　207

3.7.3　工作原理　208

3.7.4　更多信息　209

3.7.5　请参阅　213

3.8　懒惰语料库加载　213

3.8.1　工作方式　213

3.8.2　工作原理　214

3.8.3　更多信息　214

3.9　创建自定义语料库视图　215

3.9.1　工作方式　215

3.9.2　工作原理　216

3.9.3　更多信息　217

3.9.4　请参阅　218

3.10　创建基于MongoDB的

语料库读取器　218

3.10.1　准备工作　219

3.10.2　工作方式　219

3.10.3　工作原理　220

3.10.4　更多信息　221

3.10.5　请参阅　221

3.11　在加锁文件的情况下编辑

语料库　221

3.11.1　准备工作　221

3.11.2　工作方式　221

3.11.3　工作原理　222

第4章　词性标注　224

4.1　引言　224

4.2　默认标注　225

4.2.1　准备工作　225

4.2.2　工作方式　225

4.2.3　工作原理　226

4.2.4　更多信息　227

4.2.5　请参阅　228

4.3　训练一元组词性标注器　228

4.3.1　工作方式　228

4.3.2　工作原理　229

4.3.3　更多信息　230

4.3.4　请参阅　231

4.4　回退标注的组合标注器　231

4.4.1　工作方式　231

4.4.2　工作原理　232

4.4.3　更多信息　232

4.4.4　请参阅　233

4.5　训练和组合N元标注器　233

4.5.1　准备工作　233

4.5.2　工作方式　233

4.5.3　工作原理　234

4.5.4　更多信息　235

4.5.5　请参阅　236

4.6　创建似然单词标签的

模型　236

4.6.1　工作方式　236

4.6.2　工作原理　237

4.6.3　更多信息　237

4.6.4　请参阅　238

4.7　使用正则表达式标注　238

4.7.1　准备工作　238

4.7.2　工作方式　238

4.7.3　工作原理　239

4.7.4　更多信息　239

4.7.5　请参阅　239

4.8　词缀标签　239

4.8.1　工作方式　239

4.8.2　工作原理　240

4.8.3　更多信息　240

4.8.4　请参阅　241

4.9　训练布里尔标注器　241

4.9.1　工作方式　241

4.9.2　工作原理　242

4.9.3　更多信息　243

4.9.4　请参阅　244

4.10　训练TnT标注器　244

4.10.1　工作方式　244

4.10.2　工作原理　244

4.10.3　更多信息　245

4.10.4　请参阅　246

4.11　使用WordNet进行

标注　246

4.11.1　准备工作　246

4.11.2　工作方式　247

4.11.3　工作原理　248

4.11.4　请参阅　248

4.12　标注专有名词　248

4.12.1　工作方式　248

4.12.2　工作原理　249

4.12.3　请参阅　249

4.13　基于分类器的标注　249

4.13.1　工作方式　250

4.13.2　工作原理　250

4.13.3　更多信息　251

4.13.4　请参阅　252

4.14　使用NLTK训练器训练

标注器　253

4.14.1　工作方式　253

4.14.2　工作原理　254

4.14.3　更多信息　258

4.14.4　请参阅　260

第5章　提取组块　261

5.1　引言　261

5.2　使用正则表达式组块和

隔断　262

5.2.1　准备工作　262

5.2.2　工作方式　262

5.2.3　工作原理　263

5.2.4　更多信息　265

5.2.5　请参阅　267

5.3　使用正则表达式合并和拆分

组块　267

5.3.1　工作方式　267

5.3.2　工作原理　269

5.3.3　更多信息　270

5.3.4　请参阅　271

5.4　使用正则表达式扩展和删除

组块　271

5.4.1　工作方式　271

5.4.2　工作原理　272

5.4.3　更多信息　273

5.4.4　请参阅　273

5.5　使用正则表达式进行部分

解析　273

5.5.1　工作方式　273

5.5.2　工作原理　274

5.5.3　更多信息　275

5.5.4　请参阅　276

5.6　训练基于标注器的组块器　276

5.6.1　工作方式　276

5.6.2　工作原理　277

5.6.3　更多信息　278

5.6.4　请参阅　279

5.7　基于分类的分块　279

5.7.1　工作方式　279

5.7.2　工作原理　282

5.7.3　更多信息　282

5.7.4　请参阅　283

5.8　提取命名实体　283

5.8.1　工作方式　283

5.8.2　工作原理　284

5.8.3　更多信息　284

5.8.4　请参阅　285

5.9　提取专有名词组块　285

5.9.1　工作方式　286

5.9.2　工作原理　286

5.9.3　更多信息　286

5.10　提取部位组块　287

5.10.1　工作方式　288

5.10.2　工作原理　290

5.10.3　更多信息　290

5.10.4　请参阅　290

5.11　训练命名实体组块器　290

5.11.1　工作方式　290

5.11.2　工作原理　292

5.11.3　更多信息　292

5.11.4　请参阅　293

5.12　使用NLTK训练器训练

组块器　293

5.12.1　工作方式　293

5.12.2　工作原理　294

5.12.3　更多信息　295

5.12.4　请参阅　299

第6章　转换组块与树　300

6.1　引言　300

6.2　过滤句子中无意义的

单词　301

6.2.1　准备工作　301

6.2.2　工作方式　301

6.2.3　工作原理　302

6.2.4　更多信息　302

6.2.5　请参阅　303

6.3　纠正动词形式　303

6.3.1　准备工作　303

6.3.2　工作方式　303

6.3.3　工作原理　305

6.3.4　请参阅　306

6.4　交换动词短语　306

6.4.1　工作方式　306

6.4.2　工作原理　307

6.4.3　更多信息　307

6.4.4　请参阅　307

6.5　交换名词基数　308

6.5.1　工作方式　308

6.5.2　工作原理　309

6.5.3　请参阅　309

6.6　交换不定式短语　309

6.6.1　工作方式　309

6.6.2　工作原理　310

6.6.3　更多信息　310

6.6.4　请参阅　310

6.7　单数化复数名词　310

6.7.1　工作方式　310

6.7.2　工作原理　311

6.7.3　请参阅　311

6.8　链接组块变换　311

6.8.1　工作方式　311

6.8.2　工作原理　312

6.8.3　更多信息　312

6.8.4　请参阅　313

6.9　将组块树转换为文本　313

6.9.1　工作方式　313

6.9.2　工作原理　314

6.9.3　更多信息　314

6.9.4　请参阅　314

6.10　平展深度树　314

6.10.1　准备工作　315

6.10.2　工作方式　315

6.10.3　工作原理　316

6.10.4　更多信息　317

6.10.5　请参阅　318

6.11　创建浅树　318

6.11.1　工作方式　318

6.11.2　工作原理　320

6.11.3　请参阅　320

6.12　转换树标签　320

6.12.1　准备工作　320

6.12.2　工作方式　321

6.12.3　工作原理　322

6.12.4　请参阅　322

第7章　文本分类　323

7.1　引言　323

7.2　词袋特征提取　324

7.2.1　工作方式　324

7.2.2　工作原理　325

7.2.3　更多信息　325

7.2.4　请参阅　327

7.3　训练朴素贝叶斯

分类器　327

7.3.1　准备工作　327

7.3.2　工作方式　328

7.3.3　工作原理　329

7.3.4　更多信息　330

7.3.5　请参阅　333

7.4　训练决策树分类器　334

7.4.1　工作方式　334

7.4.2　工作原理　335

7.4.3　更多信息　335

7.4.4　请参阅　337

7.5　训练最大熵分类器　337

7.5.1　准备工作　337

7.5.2　工作方式　337

7.5.3　工作原理　338

7.5.4　更多信息　339

7.5.5　请参阅　340

7.6　训练scikit-learn

分类器　340

7.6.1　准备工作　341

7.6.2　工作方式　341

7.6.3　工作原理　342

7.6.4　更多信息　343

7.6.5　请参阅　345

7.7　衡量分类器的精准率和

召回率　346

7.7.1　工作方式　346

7.7.2　工作原理　347

7.7.3　更多信息　348

7.7.4　请参阅　349

7.8　计算高信息量单词　349

7.8.1　工作方式　350

7.8.2　工作原理　351

7.8.3　更多信息　352

7.8.4　请参阅　354

7.9　使用投票组合分类器　354

7.9.1　准备工作　355

7.9.2　工作方式　355

7.9.3　工作原理　356

7.9.4　请参阅　356

7.10　使用多个二元分类器

分类　357

7.10.1　准备工作　357

7.10.2　工作方式　357

7.10.3　工作原理　361

7.10.4　更多信息　362

7.10.5　请参阅　363

7.11　使用NLTK训练器训练

分类器　363

7.11.1　工作方式　363

7.11.2　工作原理　364

7.11.3　更多信息　365

7.11.4　请参阅　371

第8章　分布式进程和大型数据集的

处理　372

8.1　引言　372

8.2　使用execnet进行分布式

标注　372

8.2.1　准备工作　373

8.2.2　工作方式　373

8.2.3　工作原理　374

8.2.4　更多内容　375

8.2.5　请参阅　377

8.3　使用execnet进行分布式

组块　377

8.3.1　准备工作　377

8.3.2　工作方式　377

8.3.3　工作原理　378

8.3.4　更多内容　379

8.3.5　请参阅　379

8.4　使用execnet并行处理

列表　379

8.4.1　工作方式　379

8.4.2　工作原理　380

8.4.3　更多内容　381

8.4.4　请参阅　381

8.5　在Redis中存储频率分布　382

8.5.1　准备工作　382

8.5.2　工作方式　382

8.5.3　工作原理　384

8.5.4　更多内容　385

8.5.5　请参阅　386

8.6　在Redis中存储条件频率

分布　386

8.6.1　准备工作　386

8.6.2　工作方式　386

8.6.3　工作原理　387

8.6.4　更多内容　388

8.6.5　请参阅　388

8.7　在Redis中存储有序

字典　388

8.7.1　准备工作　388

8.7.2　工作方式　388

8.7.3　工作原理　390

8.7.4　更多内容　391

8.7.5　请参阅　392

8.8　使用Redis和execnet进行

分布式单词评分　392

8.8.1　准备工作　392

8.8.2　工作方式　392

8.8.3　工作原理　393

8.8.4　更多内容　396

8.8.5　请参阅　396

第9章　解析特定的数据类型　397

9.1　引言　397

9.2　使用dateutil解析日期和

时间　398

9.2.1　准备工作　398

9.2.2　工作方式　398

9.2.3　工作原理　399

9.2.4　更多信息　399

9.2.5　请参阅　399

9.3　时区的查找和转换　400

9.3.1　准备工作　400

9.3.2　工作方式　400

9.3.3　工作原理　402

9.3.4　更多信息　402

9.3.5　请参阅　403

9.4　使用lxml从HTML中提取

URL　403

9.4.1　准备工作　403

9.4.2　工作方式　403

9.4.3　工作原理　404

9.4.4　更多信息　404

9.4.5　请参阅　405

9.5　清理和剥离HTML　405

9.5.1　准备工作　405

9.5.2　工作方式　405

9.5.3　工作原理　405

9.5.4　更多信息　406

9.5.5　请参阅　406

9.6　使用BeautifulSoup转换

HTML实体　406

9.6.1　准备工作　406

9.6.2　工作方式　406

9.6.3　工作原理　407

9.6.4　更多信息　407

9.6.5　请参阅　407

9.7　检测和转换字符编码　407

9.7.1　准备工作　408

9.7.2　工作方式　408

9.7.3　工作原理　409

9.7.4　更多信息　409

9.7.5　请参阅　410

附录A　宾州treebank词性标签　411

模块3　使用Python掌握自然语言处理

第　1章 使用字符串　417

1.1　标记化　417

1.1.1　将文本标记为句子　418

1.1.2　其他语言文字的标记化　418

1.1.3　将句子标记为单词　419

1.1.4　使用TreebankWordTokenizer

进行标记化　420

1.1.5　使用正则表达式进行

标记化　421

1.2　规范化　424

1.2.1　消除标点符号　424

1.2.2　转化为小写和大写　425

1.2.3　处理停用词　425

1.2.4　计算英语中的停用词　426

1.3　替代和纠正标记　427

1.3.1　使用正则表达式替换

单词　427

1.3.2　使用一个文本替换另一个

文本的示例　428

1.3.3　在标记化之前进行

替代　428

1.3.4　处理重复的字符　428

1.3.5　删除重复字符的示例　429

1.3.6　使用单词的同义词替换

单词　430

1.4　在文本上应用齐夫定律　431

1.5　相似性量度　431

1.5.1　使用编辑距离算法应用

相似性量度　432

1.5.2　使用杰卡德系数应用

相似性量度　434

1.5.3　使用史密斯-沃特曼算法

应用相似性量度　434

1.5.4　其他字符串相似性指标　435

1.6　本章小结　436

第　2章 统计语言模型　437

2.1　单词频率　437

2.1.1　对给定文本进行最大

似然估计　441

2.1.2　隐马尔可夫模型估计　448

2.2　在MLE模型上应用平滑　450

2.2.1　加一平滑法　450

2.2.2　古德-图灵算法　451

2.2.3　聂氏估计　456

2.2.4　威滕 贝尔估计　457

2.3　为MLE指定回退机制　457

2.4　应用数据插值获得混合和

匹配　458

2.5　应用困惑度评估语言模型　458

2.6　在建模语言中应用

梅特罗波利斯-黑斯廷斯算法　459

2.7　在语言处理中应用

吉布斯采样　459

2.8　本章小结　461

第3章　词语形态学—试一试　462

3.1　词语形态学　462

3.2　词根还原器　463

3.3　词形还原　466

3.4　开发用于非英语语言的词根

还原器　467

3.5　词语形态分析器　469

3.6　词语形态生成器　471

3.7　搜索引擎　471

3.8　本章小结　475

第4章　词性标注—识别单词　476

4.1　词性标注　476

4.2　创建POS标注的语料库　482

4.3　选择某个机器学习算法　484

4.4　涉及n元组方法的统计建模　486

4.5　使用POS标注的语料库开发

组块器　491

4.6　本章小结　494

第5章　解析—分析训练数据　495

5.1　解析　495

5.2　构建树库　496

5.3　从树库中提取上下文无关文法的

规则　501

5.4　从CFG中创建概率上下文无关的

文法　507

5.5　CYK图解析算法　509

5.6　厄雷图解析算法　510

5.7　本章小结　516

第6章　语义分析—意义重大　517

6.1　语义分析　517

6.1.1　NER简介　521

6.1.2　使用隐马尔可夫模型的

NER系统　525

6.1.3　使用机器学习工具包训练

NER　530

6.1.4　使用POS标注的

NER　531

6.2　从Wordnet中生成同义词集

ID　534

6.3　使用Wordnet消除歧义　537

6.4　本章小结　541

第7章　情感分析—我很高兴　542

7.1　情感分析　542

7.2　使用机器学习的情感分析　548

7.3　本章小结　572

第8章　信息检索—访问信息　573

8.1　信息检索　573

8.1.1　停用词删除　574

8.1.2　利用向量空间模型进行

信息检索　576

8.2　向量空间评分以及与查询

操作器交互　583

8.3　利用隐含语义索引开发IR

系统　586

8.4　文本摘要　587

8.5　问答系统　588

8.6　本章小结　589

第9章　话语分析—知识就是信仰　590

9.1　话语分析　590

9.1.1　使用定中心理论进行

话语分析　595

9.1.2　回指解析　596

9.2　本章小结　601

第　10章 NLP系统的评估—

性能分析　602

10.1　对NLP系统进行评估的

需求　602

10.1.1　NLP工具(POS标注器、

词干还原器和形态分析器)

的评估　603

10.1.2　使用黄金数据评估

解析器　613

10.2　IR系统的评估　614

10.3　错误识别的指标　614

10.4　基于词汇匹配的指标　615

10.5　基于语法匹配的指标　619

10.6　使用浅层语义匹配的

指标　620

10.7　本章小结　621

参考书目　622