本文將討論文本預處理的基本步驟，旨在將文本信息從人類語言轉換為機器可讀格式以便用于后續(xù)處理。此外，本文還將進一步討論文本預處理過程所需要的工具。

當拿到一個文本后，首先從文本正則化（text normalization） 處理開始。常見的文本正則化步驟包括：

•  將文本中出現(xiàn)的所有字母轉換為小寫或大寫
•  將文本中的數(shù)字轉換為單詞或刪除這些數(shù)字
•  刪除文本中出現(xiàn)的標點符號、重音符號以及其他變音符號
•  刪除文本中的空白區(qū)域
•  擴展文本中出現(xiàn)的縮寫
•  刪除文本中出現(xiàn)的終止詞、稀疏詞和特定詞
•  文本規(guī)范化（text canonicalization）

下面將詳細描述上述文本正則化步驟。

將文本中出現(xiàn)的字母轉化為小寫

示例1：將字母轉化為小寫

Python 實現(xiàn)代碼： 

input_str = ”The 5 biggest countries by population in 2017 are China, India, United States, Indonesia, and Brazil.”  
input_strinput_str = input_str.lower()  
print(input_str) 

輸出： 

the 5 biggest countries by population in 2017 are china, india, united states, indonesia, and brazil. 

刪除文本中出現(xiàn)的數(shù)字

如果文本中的數(shù)字與文本分析無關的話，那就刪除這些數(shù)字。通常，正則化表達式可以幫助你實現(xiàn)這一過程。

示例2：刪除數(shù)字

Python 實現(xiàn)代碼：      

import re  
input_str = ’Box A contains 3 red and 5 white balls, while Box B contains 4 red and 2 blue balls.’  
reresult = re.sub(r’\d+’, ‘’, input_str)  
print(result) 

輸出： 

Box A contains red and white balls, while Box B contains red and blue balls. 

刪除文本中出現(xiàn)的標點

以下示例代碼演示如何刪除文本中的標點符號，如 [!”#$%&’()*+,-./:;<=>?@[\]^_`{|}~] 等符號。

示例3：刪除標點

Python 實現(xiàn)代碼： 

import string  
input_str = “This &is [an] example? {of} string. with.? punctuation!!!!” # Sample string  
result = input_str.translate(string.maketrans(“”,””), string.punctuation) 
print(result) 

輸出： 

This is an example of string with punctuation 

刪除文本中出現(xiàn)的空格

可以通過 strip()函數(shù)移除文本前后出現(xiàn)的空格。

示例4：刪除空格

Python 實現(xiàn)代碼： 

input_str = “ \t a string example\t “  
input_strinput_str = input_str.strip()  
input_str 

輸出： 

‘a string example’ 

符號化（Tokenization）

符號化是將給定的文本拆分成每個帶標記的小模塊的過程，其中單詞、數(shù)字、標點及其他符號等都可視為是一種標記。在下表中（Tokenization sheet），羅列出用于實現(xiàn)符號化過程的一些常用工具。

刪除文本中出現(xiàn)的終止詞

終止詞（Stop words） 指的是“a”，“a”，“on”，“is”，“all”等語言中最常見的詞。這些詞語沒什么特別或重要意義，通常可以從文本中刪除。一般使用 Natural Language Toolkit（NLTK） 來刪除這些終止詞，這是一套專門用于符號和自然語言處理統(tǒng)計的開源庫。

示例7：刪除終止詞

實現(xiàn)代碼： 

input_str = “NLTK is a leading platform for building Python programs to work with human language data.”  
stop_words = set(stopwords.words(‘english’))  
from nltk.tokenize import word_tokenize  
tokens = word_tokenize(input_str)  
result = [i for i in tokens if not i in stop_words]  
print (result) 

輸出： 

[‘NLTK’, ‘leading’, ‘platform’, ‘building’, ‘Python’, ‘programs’, ‘work’, ‘human’, ‘language’, ‘data’, ‘.’] 

此外，scikit-learn 也提供了一個用于處理終止詞的工具：  

from sklearn.feature_extraction.stop_words import ENGLISH_STOP_WORDS 

同樣，spaCy 也有一個類似的處理工具： 

from spacy.lang.en.stop_words import STOP_WORDS 

刪除文本中出現(xiàn)的稀疏詞和特定詞

在某些情況下，有必要刪除文本中出現(xiàn)的一些稀疏術語或特定詞?？紤]到任何單詞都可以被認為是一組終止詞，因此可以通過終止詞刪除工具來實現(xiàn)這一目標。

詞干提?。⊿temming）

詞干提取是一個將詞語簡化為詞干、詞根或詞形的過程（如 books-book，looked-look）。當前主流的兩種算法是 Porter stemming 算法（刪除單詞中刪除常見的形態(tài)和拐點結尾） 和 Lancaster stemming 算法。

示例 8：使用 NLYK 實現(xiàn)詞干提取

實現(xiàn)代碼： 

from nltk.stem import PorterStemmer  
from nltk.tokenize import word_tokenize  
stemmer= PorterStemmer()  
input_str=”There are several types of stemming algorithms.”  
input_str=word_tokenize(input_str) 
for word in input_str:  
    print(stemmer.stem(word)) 

輸出： 

There are sever type of stem algorithm. 

詞形還原（Lemmatization）

詞形還原的目的，如詞干過程，是將單詞的不同形式還原到一個常見的基礎形式。與詞干提取過程相反，詞形還原并不是簡單地對單詞進行切斷或變形，而是通過使用詞匯知識庫來獲得正確的單詞形式。

當前常用的詞形還原工具庫包括： NLTK（WordNet Lemmatizer），spaCy，TextBlob，Pattern，gensim，Stanford CoreNLP，基于內存的淺層解析器（MBSP），Apache OpenNLP，Apache Lucene，文本工程通用架構（GATE），Illinois Lemmatizer 和 DKPro Core。

示例 9：使用 NLYK 實現(xiàn)詞形還原

實現(xiàn)代碼：    

from nltk.stem import WordNetLemmatizer  
from nltk.tokenize import word_tokenize  
lemmatizer=WordNetLemmatizer()  
input_str=”been had done languages cities mice”  
input_str=word_tokenize(input_str)  
for word in input_str:  
    print(lemmatizer.lemmatize(word)) 

輸出： 

be have do language city mouse 

詞性標注（POS）

詞性標注旨在基于詞語的定義和上下文意義，為給定文本中的每個單詞（如名詞、動詞、形容詞和其他單詞） 分配詞性。當前有許多包含 POS 標記器的工具，包括 NLTK，spaCy，TextBlob，Pattern，Stanford CoreNLP，基于內存的淺層分析器（MBSP），Apache OpenNLP，Apache Lucene，文本工程通用架構（GATE），F(xiàn)reeLing，Illinois Part of Speech Tagger 和 DKPro Core。

示例 10：使用 TextBlob 實現(xiàn)詞性標注

實現(xiàn)代碼： 

input_str=”Parts of speech examples: an article, to write, interesting, easily, and, of”  
from textblob import TextBlob  
result = TextBlob(input_str)  
print(result.tags) 

輸出： 

[(‘Parts’, u’NNS’), (‘of’, u’IN’), (‘speech’, u’NN’), (‘examples’, u’NNS’), (‘an’, u’DT’), (‘article’, u’NN’), (‘to’, u’TO’), (‘write’, u’VB’), (‘interesting’, u’VBG’), (‘easily’, u’RB’), (‘and’, u’CC’), (‘of’, u’IN’)] 

詞語分塊（淺解析）

詞語分塊是一種識別句子中的組成部分（如名詞、動詞、形容詞等），并將它們鏈接到具有不連續(xù)語法意義的高階單元（如名詞組或短語、動詞組等） 的自然語言過程。常用的詞語分塊工具包括：NLTK，TreeTagger chunker，Apache OpenNLP，文本工程通用架構（GATE），F(xiàn)reeLing。

示例 11：使用 NLYK 實現(xiàn)詞語分塊

第一步需要確定每個單詞的詞性。

實現(xiàn)代碼： 

input_str=”A black television and a white stove were bought for the new apartment of John.”  
from textblob import TextBlob  
result = TextBlob(input_str)  
print(result.tags) 

輸出： 

[(‘A’, u’DT’), (‘black’, u’JJ’), (‘television’, u’NN’), (‘and’, u’CC’), (‘a’, u’DT’), (‘white’, u’JJ’), (‘stove’, u’NN’), (‘were’, u’VBD’), (‘bought’, u’VBN’), (‘for’, u’IN’), (‘the’, u’DT’), (‘new’, u’JJ’), (‘apartment’, u’NN’), (‘of’, u’IN’), (‘John’, u’NNP’)] 

第二部就是進行詞語分塊

實現(xiàn)代碼： 

reg_exp = “NP: {<DT>?<JJ>*<NN>}”  
rp = nltk.RegexpParser(reg_exp)  
result = rp.parse(result.tags)  
print(result) 

輸出： 

(S (NP A/DT black/JJ television/NN) and/CC (NP a/DT white/JJ stove/NN) were/VBD bought/VBN for/IN (NP the/DT new/JJ apartment/NN)  
of/IN John/NNP) 

也可以通過 result.draw(） 函數(shù)繪制句子樹結構圖，如下圖所示。   

命名實體識別（Named Entity Recognition）

命名實體識別（NER） 旨在從文本中找到命名實體，并將它們劃分到事先預定義的類別（人員、地點、組織、時間等）。

常見的命名實體識別工具如下表所示，包括：NLTK，spaCy，文本工程通用架構（GATE） -- ANNIE，Apache OpenNLP，Stanford CoreNLP，DKPro核心，MITIE，Watson NLP，TextRazor，F(xiàn)reeLing 等。

示例 12：使用 TextBlob 實現(xiàn)詞性標注

實現(xiàn)代碼： 

from nltk import word_tokenize, pos_tag, ne_chunk  
input_str = “Bill works for Apple so he went to Boston for a conference.”  
print ne_chunk(pos_tag(word_tokenize(input_str))) 

輸出： 

(S (PERSON Bill/NNP) works/VBZ for/IN Apple/NNP so/IN he/PRP went/VBD to/TO (GPE Boston/NNP) for/IN a/DT conference/NN ./.) 

共指解析 Coreference resolution（回指分辨率 anaphora resolution）

代詞和其他引用表達應該與正確的個體聯(lián)系起來。Coreference resolution 在文本中指的是引用真實世界中的同一個實體。如在句子 “安德魯說他會買車”中，代詞“他”指的是同一個人，即“安德魯”。常用的 Coreference resolution 工具如下表所示，包括 Stanford CoreNLP，spaCy，Open Calais，Apache OpenNLP 等。

搭配提取（Collocation extraction）

搭配提取過程并不是單獨、偶然發(fā)生的，它是與單詞組合一同發(fā)生的過程。該過程的示例包括“打破規(guī)則 break the rules”，“空閑時間 free time”，“得出結論 draw a conclusion”，“記住 keep in mind”，“準備好 get ready”等。

示例 13：使用 ICE 實現(xiàn)搭配提取

實現(xiàn)代碼： 

input=[“he and Chazz duel with all keys on the line.”]  
from ICE import CollocationExtractor  
extractor = CollocationExtractor.with_collocation_pipeline(“T1” , bing_key = “Temp”,pos_check = False)  
print(extractor.get_collocations_of_length(input, length = 3)) 

輸出： 

[“on the line”] 

關系提取（Relationship extraction）

關系提取過程是指從非結構化的數(shù)據(jù)源 （如原始文本）獲取結構化的文本信息。嚴格來說，它確定了命名實體（如人、組織、地點的實體） 之間的關系（如配偶、就業(yè)等關系）。例如，從“昨天與 Mark 和 Emily 結婚”這句話中，我們可以提取到的信息是 Mark 是 Emily 的丈夫。   

總結

本文討論文本預處理及其主要步驟，包括正則化、符號化、詞干化、詞形還原、詞語分塊、詞性標注、命名實體識別、共指解析、搭配提取和關系提取。還通過一些表格羅列出常見的文本預處理工具及所對應的示例。在完成這些預處理工作后，得到的結果可以用于更復雜的 NLP 任務，如機器翻譯、自然語言生成等任務。