NLP詞形還原（Lemmatization）

　　詞形還原（Lemmatization）是文本預處理中的重要部分，與詞幹提取（stemming）很類似。
  簡單說來，詞形還原就是去掉單詞的詞綴，提取單詞的主幹部分，一般提取後的單詞會是字典中的單詞，不一樣於詞幹提取（stemming），提取後的單詞不必定會出如今單詞中。好比，單詞「cars」詞形還原後的單詞爲「car」，單詞「ate」詞形還原後的單詞爲「eat」。
  在Python的nltk模塊中，使用WordNet爲咱們提供了穩健的詞形還原的函數。如如下示例Python代碼：

from nltk.stem import WordNetLemmatizer

wnl = WordNetLemmatizer()
# lemmatize nouns
print(wnl.lemmatize('cars', 'n'))
print(wnl.lemmatize('men', 'n'))

# lemmatize verbs
print(wnl.lemmatize('running', 'v'))
print(wnl.lemmatize('ate', 'v'))

# lemmatize adjectives
print(wnl.lemmatize('saddest', 'a'))
print(wnl.lemmatize('fancier', 'a'))

　　輸出結果以下：

car
men
run
eat
sad
fancy

　　在以上代碼中，wnl.lemmatize()函數能夠進行詞形還原，第一個參數爲單詞，第二個參數爲該單詞的詞性，如名詞，動詞，形容詞等，返回的結果爲輸入單詞的詞形還原後的結果。
  詞形還原通常是簡單的，但具體咱們在使用時，指定單詞的詞性很重要，否則詞形還原可能效果很差，如如下代碼：

from nltk.stem import WordNetLemmatizer

wnl = WordNetLemmatizer()
print(wnl.lemmatize('ate', 'n'))
print(wnl.lemmatize('fancier', 'v'))

　　輸出結果以下：

ate
fancier

  那麼，如何獲取單詞的詞性呢？在NLP中，使用Parts of speech（POS）技術實現。在nltk中，能夠使用nltk.pos_tag()獲取單詞在句子中的詞性，如如下Python代碼：

sentence = 'The brown fox is quick and he is jumping over the lazy dog'
import nltk
tokens = nltk.word_tokenize(sentence)
tagged_sent = nltk.pos_tag(tokens)
print(tagged_sent)

　　輸出結果以下：

[('The', 'DT'), ('brown', 'JJ'), ('fox', 'NN'), ('is', 'VBZ'), ('quick', 'JJ'), ('and', 'CC'), ('he', 'PRP'), ('is', 'VBZ'), ('jumping', 'VBG'), ('over', 'IN'), ('the', 'DT'), ('lazy', 'JJ'), ('dog', 'NN')]

  關於上述詞性的說明，能夠參考下表：

 

 

 

 

  OK，知道了獲取單詞在句子中的詞性，再結合詞形還原，就能很好地完成詞形還原功能。示例的Python代碼以下：

from nltk import word_tokenize, pos_tag
from nltk.corpus import wordnet
from nltk.stem import WordNetLemmatizer

# 獲取單詞的詞性
def get_wordnet_pos(tag):
    if tag.startswith('J'):
        return wordnet.ADJ
    elif tag.startswith('V'):
        return wordnet.VERB
    elif tag.startswith('N'):
        return wordnet.NOUN
    elif tag.startswith('R'):
        return wordnet.ADV
    else:
        return None

sentence = 'football is a family of team sports that involve, to varying degrees, kicking a ball to score a goal.'
tokens = word_tokenize(sentence)  # 分詞
tagged_sent = pos_tag(tokens)     # 獲取單詞詞性

wnl = WordNetLemmatizer()
lemmas_sent = []
for tag in tagged_sent:
    wordnet_pos = get_wordnet_pos(tag[1]) or wordnet.NOUN
    lemmas_sent.append(wnl.lemmatize(tag[0], pos=wordnet_pos)) # 詞形還原

print(lemmas_sent)

　　輸出結果以下：

['football', 'be', 'a', 'family', 'of', 'team', 'sport', 'that', 'involve', ',', 'to', 'vary', 'degree', ',', 'kick', 'a', 'ball', 'to', 'score', 'a', 'goal', '.']

　　輸出的結果就是對句子中的單詞進行詞形還原後的結果。