一文让你入门NLP自然语言处理，看不懂你来找我

文/IT可达鸭

图/IT可达鸭、网络

前言

作为一门综合学科，NLP（自然语言处理）是研究人与机器之间通信的理论和方法。这需要很多跨学科的知识，需要统计学、语言学、机器学习、深度学习等相关理论模型基础。

纵观所有的NLP算法中，都离不开以下七种基础的操作。可以说，大部分的NLP项目，都会用到以下的操作。

NLP七种基本操作

结合小编这几年的NLP算法研发，简单介绍一下这七种NLP基本操作。

• 分词（segment， 简称：seg）

词是组成语言文字的基础单位，英文单词之间是以空格作为自然分割的，所以分词只需要根据空格进行切分就可以了。而中文是字为基本的书写单位，以词为基本的理解单位，词语之间没有明显的标记，因此中文就需要设计独特的分词算法。

所有的分词中，特指的是中文分词。中文分词常用的算法是基于字典的最长匹配，据说可以解决85%的问题，但是歧义分词很难。

举个例子，“南京市长江大桥”，我们既可以切分为“南京市/长江大桥”

，又可以切分为“南京市/长江/大桥”，还可以切分为“南京/市长/江大桥”。这个例子也是很多NLP算法入门经常会碰到的，是不是觉得每个切分都有理可依据？

所以实际开发中，分词算法，要根据不同场景，选择不同的切分算法，以及不同的字典库。跟实际业务是紧密结合的，不能脱离应用场景去强调哪个分词算法好，哪个不好。

• 词性标注（part of speech tagging， 简称：pos）

基于机器学习的方法里，往往需要对词的词性进行标注。什么是词性？一般指动词、名词、形容词、副词、代词等。标注的目的是为了找到词语的隐藏状态，隐藏状态构成的转移就构成了状态转移序列。

例如，形容词下一个词是名词，副词下一个词是动词，就有一个状态转移的过程。再举个标注的例子：“我/r 爱/v 工作/ns”， 其中，ns代表名词，v代表动词，都属于标注。

那么，为什么需要对词语进行标注呢？比如，如果我们需要从一篇文章中，提取关键词，关键词只能是名词，所以这个时候，我们就不需要去分析除名词外其他词性的词语，只需专注分析名词即可。

所以，词性分析结果，可以多一个维度的信息去表征词语，从而使分析更有针对性。

• 命名实体识别（Named Entity Recognition， 简称：NER）

命名实体识别，是指从文本中识别具有特定类别的实体（通常是名词），例如：时间、人名、地名、机构名、专有名词。可以说是除词性外，是词语的另外一个维度的数据表征（标签）。

命名实体识别到底可以用来干什么呢？举个简单的例子，“百度网盘是一款不错的软件。”，从词性分析中，我们分析出“百度网盘”一个词语它是名词，但是通过命名实体识别，就可以知道“百度网盘” 它是一个软件的名称。

• 句法分析（syntax parsing）

句法分析是一种基于规则的专家系统，它的目的就是解析句子中各个成分的依赖关系。是不是很笼统，莫慌，举个例子就明白了。

“聪明的小明总喜欢在家附近的小卖铺吃零食。”，这里有两个形容词，一个是“聪明的”，一个是“在家附近的”，通过句法分析可以知道，“聪明的”形容的是小明，而“在家附近的”形容的是小卖铺。

再举个例子，“小明是小红的班长”， “小红是小明的班长”，这两句话，分词结果用词袋模型表示完全相同，但是句法分析却可以分析它们的主从关系，真正理清句子的关系。

• 指代消解（anaphora resolution）

在中文表述中，代词出现的频率是非常高的，它主要是用来指前文出现过的名词。

例如，“小明很喜欢学习，但是他有个缺点，就是经常迟到。”

这里出现了代词“他”，指代前文出现的“小明”。

关于指代消解，目前主要用于语义理解、知识图谱等。这块有很多有难度而且有意思的地方可以研究，感兴趣的小伙伴可以去尝试一下。

• 情感识别（emotion recognition）

所谓的情感识别、情感分析，其本质上是一个分类问题。情感识别一般可以分为两类，一个是积极情感，另一个是消极情感。也可以分为三类，在前面两类基础上，增加一个中性情感。

小编以前做过电商评论的情感分析，这里就举一个电商评论的例子。情感分析可以分析商品评论的好坏，以此来作为下一个环节的输入。通常是基于词袋模型+分类器（KNN），或者词袋模型+朴素贝叶斯模型，或者词向量模型（word2vec）+RNN。

选择不同算法，在不同的场景都有不同的效果，取决多方面的因素。如果想提高识别速度，接受一定的误差，可以选择词袋模型+分类器，或贝叶斯模型。如果想提高识别精度，同时又有大量的训练语料，就可以选择词向量模型+RNN。

• 纠错（correction）

自动纠错在搜索技术、输入法、客观题自动批改、英语作文批改中利用比较多。

小编做过一个自动批改的算法，这里就列举一下这个例子。由于学生在答题过程中，特别是客观简答题，出错的可能性比较大，有错别字、错误的点、遗漏的要点等等。所以，需要设计一个纠错系统（

这里指的是有针对性的纠错系统，不是通用型的纠错系统）。

对于英文作文批改中，可以基于N-Gram进行纠错（N一般取值2～3），也可以通过字典树（通过相同前缀节约大量的存储空间，同时提升检索速度）、有限状态机等方法进行纠错。

结语

以上每一种NLP技术，都能扯出一系列的算法，例如，有简单的正则表达式、机器学习、深度学习网络等等。而且，在不同场景中，即使是同一个NLP技术点，它都有不同的算法可以选择。所以，只要力所能及，尽量多接触、多学习基础算法。

万变不离其宗，只要你在NLP方向中，打好以上七个方面的基础。相信在一些难度大、场景复杂的NLP算法也能游刃有余。

#423头条知识节#

#科技青年#

持续关注"IT可达鸭"，每天除了分享有趣Python源码，还会介绍NLP算法。最后，感谢大家的阅读，祝大家工作生活愉快！