[PYTHON] Traitement 100 langues knock-53: Tokenisation

Traitement linguistique 100 coups 2015 ["Chapitre 6: Traitement de texte anglais"](http: //www.cl.ecei) Il s'agit du 53e "Tokenization" enregistrement de .tohoku.ac.jp / nlp100 / # ch6). Enfin, la PNL de Stanford Core est sur le point de commencer. C'est le sujet principal du chapitre 6. Cette fois, l'installation est la principale, et l'exécution de Stanford Core NLP et la partie Python ne sont pas un gros problème.

Lien de référence

environnement

Chapitre 6: Analyse des dépendances

contenu de l'étude

Un aperçu des différentes technologies de base pour le traitement du langage naturel grâce au traitement de texte anglais à l'aide de la PNL Stanford Core.

Stanford Core NLP, Stemming, Part-word tagging, Unique expression extraction, Co-reference analysis, Dependency analysis, Clause structure analysis, S expression

Contenu frappé

Effectuez le traitement suivant sur le texte anglais (nlp.txt).

53. Tokenization

Utilisez Stanford Core NLP pour obtenir le résultat de l'analyse du texte d'entrée au format XML. Lisez également ce fichier XML et sortez le texte d'entrée sous la forme d'un mot par ligne.

Supplément de problème (à propos de «Stanford Core NLP»)

"Stanford Core NLP" est une bibliothèque pour le traitement du langage naturel. Il existe un système similaire appelé "Stanford NLP", qui prend en charge le japonais. "Stanford NLP" a été utilisé depuis 70ème coup. La différence est clairement décrite dans l 'article «Introduction à Stanford NLP with Python». En regardant l '[Historique des versions] de Stanford CoreNLP (https://stanfordnlp.github.io/CoreNLP/history.html), il n'a pas été beaucoup mis à jour récemment.

Répondre

Programme de réponse (partie d'exécution de Stanford Core NLP dans Bash) [053_1.Tokenization.ipynb](https://github.com/YoheiFukuhara/nlp100/blob/master/06.%E8%8B%B1%E8%AA%9E% E3% 83% 86% E3% 82% AD% E3% 82% B9% E3% 83% 88% E3% 81% AE% E5% 87% A6% E7% 90% 86 / 053_1.Tokenization.ipynb)

Je l'utilise selon la page officielle. Si vous n'utilisez pas l'option -annotators, vous serez bloqué par la suite (certainement le 57e). J'alloue 5G de mémoire avec -Xmx5G. S'il est trop petit, une erreur s'est produite. Une fois exécuté, le résultat sera envoyé au même emplacement avec l'extension xml ajoutée au fichier de lecture nlp.txt.

java -cp "/usr/local/lib/stanford-corenlp-full-2018-10-05/*" \
 -Xmx5g \
 edu.stanford.nlp.pipeline.StanfordCoreNLP \
 -annotators tokenize,ssplit,pos,lemma,ner,parse,dcoref \
 -file nlp.txt

À propos, si vous placez le fichier XML de sortie dans le même répertoire et que vous le lisez avec un navigateur, le CoreNLP-to-HTML.xsl qui se trouvait dans / usr / local / lib / stanford-corenlp-full-2018-10-05 est le suivant Vous pouvez voir le résultat comme (je l'ai vu dans IE et Edge, mais pas dans Firefox et Chrome).

Programme de réponse (partie Python) [053_1.Tokenization.ipynb](https://github.com/YoheiFukuhara/nlp100/blob/master/06.%E8%8B%B1%E8%AA%9E%E3%83%86 % E3% 82% AD% E3% 82% B9% E3% 83% 88% E3% 81% AE% E5% 87% A6% E7% 90% 86 / 053_1.Tokenization.ipynb)

import xml.etree.ElementTree as ET

#Extraire uniquement le mot
for i, word in enumerate(ET.parse('./nlp.txt.xml').iter('word')):
    print(i, '\t' ,word.text)
    
    #Limité car il y en a beaucoup
    if i > 30:
        break

Répondre au commentaire

Perspective XML

J'utilise le package standard Python xml comme analyseur XML. C'est facile à utiliser, il suffit de lire la sortie nlp.txt.xml de Stanford CoreNLP avec la fonction parse et de lire la balise word.

python

for i, word in enumerate(ET.parse('./nlp.txt.xml').iter('word')):
    print(i, '\t' ,word.text)

Le contenu de xml est le suivant (extrait du début). Le fichier XML est [GitHub](https://github.com/YoheiFukuhara/nlp100/blob/master/06.%E8%8B%B1%E8%AA%9E%E3%83%86%E3%82%AD% E3% 82% B9% E3% 83% 88% E3% 81% AE% E5% 87% A6% E7% 90% 86 / nlp.txt.xml).

xml:nlp.txt.xml(Extrait du début)

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet href="CoreNLP-to-HTML.xsl" type="text/xsl"?>
<root>
  <document>
    <docId>nlp.txt</docId>
    <sentences>
      <sentence id="1">
        <tokens>
          <token id="1">
            <word>Natural</word>
            <lemma>natural</lemma>
            <CharacterOffsetBegin>0</CharacterOffsetBegin>
            <CharacterOffsetEnd>7</CharacterOffsetEnd>
            <POS>JJ</POS>
            <NER>O</NER>
            <Speaker>PER0</Speaker>
          </token>
          <token id="2">
            <word>language</word>
            <lemma>language</lemma>
            <CharacterOffsetBegin>8</CharacterOffsetBegin>
            <CharacterOffsetEnd>16</CharacterOffsetEnd>
            <POS>NN</POS>
            <NER>O</NER>
            <Speaker>PER0</Speaker>
          </token>

Résultat de sortie (résultat de l'exécution)

Lorsque le programme est exécuté, les résultats suivants sont affichés.

Résultat de sortie

0 	 Natural
1 	 language
2 	 processing
3 	 From
4 	 Wikipedia
5 	 ,
6 	 the
7 	 free
8 	 encyclopedia
9 	 Natural
10 	 language
11 	 processing
12 	 -LRB-
13 	 NLP
14 	 -RRB-
15 	 is
16 	 a
17 	 field
18 	 of
19 	 computer
20 	 science
21 	 ,
22 	 artificial
23 	 intelligence
24 	 ,
25 	 and
26 	 linguistics
27 	 concerned
28 	 with
29 	 the
30 	 interactions
31 	 between

En passant, «-LRB-» et «-RRB-» sont des parenthèses, qui sont converties par Stanford Core NLP.

--- LRB- support gauche --- RRB- support droit