聊聊自然语言处理NLP - 又见阿郎

自然语言处理(NLP)的正式定义：是一个使用计算机科学、人工智能(AI)和形式语言学概念来分析自然语言的研究领域。不太正式的定义表明：它是一组工具，用于从自然语言源(如web页面和文本文档)获取有意义和有用的信息。
NLP工具的实现一般是基于机器学习与深度学习、其它算法(Lucene Core)；基于前两者的实现是比较流行且持续在探索演进。

NLP任务概述

文本可以分解为许多不同类型的元素，如单词、句子和段落（称为词或词项），并可选地对这些词执行附加处理；这种额外的处理可以包括词干提取、词元化（也称为词形还原）、停用词删除、同义词扩展和文本转换为小写。而分词一般都是基于各种分词器；比如Lucene、基于机器学习与深度学习的框架。

文本断句也可以理解为文本识别。即识别句子（即断句）；此项功能是有用的，原因有很多。一些NLP任务，如词性标注和实体提取，是针对单个句子的。对话式的应用程序还需要识别单独的句子。为了使这些过程正确工作，必须正确地确定句子边界。
将文本分割成语句也称为语句边界消歧（Sentence Boundary Disambiguation，SBD）。文本断句的常用方法包括使用一组规则或训练一个模型来检测它们。

即用特征表示文本。特征工程在NLP应用开发中起着至关重要的作用，这对于机器学习非常重要，特别是在基于预测的模型中。它是利用领域知识将原始数据转换成特征的过程，从而使机器学习算法能够工作。特征使我们能够更集中地查看原始数据。一旦确定了特征，就进行特征选择以减少数据的维数。常用的框架及算法：

• n-gram
• Glove
• word2Vec
• 主成分分析
• t-SNE

命名实体识别

识别人和事物的过程称为命名实体识别（NER）。实体（诸如人物和地点等）与具有名称的类别相关联，而这些名称识别了它们是什么。
NER过程涉及两个任务：

检测是指在文本中找到实体的位置。一旦找到它，确定被发现的实体是什么类型非常重要。这两个任务完成后，其结果可以用来解决其他任务，如搜索和确定文本的含义。例如，任务可能包括从电影或书评识别名字，并帮助找到可能感兴趣的其他电影或书籍。提取位置信息有助于对附近的服务提供参考。

标注是将描述分配给词项或部分文本的过程。此描述称为标签。词性标注是将词性标签分配给词项的过程。这个过程是检测词性的核心。
一般的标注过程包括标记文本、确定可能的标签和解决歧义标签。算法用于进行词性标识（标注）。一般有两种方法。

• 基于规则：基于规则的标注器使用一组规则、单词词典和可能的标签。当一个单词有多个标签时可以使用这些规则。规则通常使用单词的上下文来选择标签。
• 基于随机域：基于随机域的标注器要么是基于马尔可夫模型，要么是基于线索的，使用决策树或最大熵。马尔可夫模型是有限状态机，其中每个状态都有两个概率分布。其目的是为句子找到最优的标签序列。还可以使用隐马尔可夫模型（Hidden Markov Model，HMM）。在这些模型中，状态转换是不可见的。

对句子进行适当的标注可以提高后续处理任务的质量，可用于许多后续任务，如问题分析、文本情感分析等。

分类涉及为文本或文档中找到的信息分配标签。当过程发生时，这些标签可能已知，也可能未知。当标签已知时，这个过程称为分类。当标签未知时，该过程称为聚集。
文本分类用于多种目的：垃圾邮件检测、著作权归属、情感分析、年龄和性别识别、确定文档的主题、语言识别等。
有两种基本的文本分类技术：

• 基于规则的分类
• 有监督的机器学习

基于规则的分类使用单词和其他属性的组合，这些属性是根据专家精心设计的规则组织起来的。这些方法非常有效，但是创建它们是一个非常耗时的过程。有监督的机器学习（Supervised machine learning，SML）采用一组带注释的训练文档来创建模型。该模型通常称为分类器。有许多不同的机器学习技术，包括朴素贝叶斯、支持向量机（Support Vector Machine，SVM）和k近邻算法等。

关系提取是标识文本中存在的关系的过程。
实体之间（例如句子的主语和它的宾语、其他实体，或者它的行为之间）存在各种关系。我们可能还想确定关系并以结构化的形式呈现它们。我们可以使用这些信息来显示结果，以供人们立即使用，或者格式化关系，以便更好地将它们用于后续任务。
提取的关系可以用于多种目的，包括：

• 建立知识库

有许多可用的技术来提取关系。可分为如下几种：

• 半监督方法或无监督方法
• 远程监督方法
• 无监督的方法

《Java自然语言处理（原书第2版）》