学习笔记 CB001:NLTK 库、语料库、词概率、双连词、词典

聊天机器人知识主要是自然语言处理。包括语言分析和理解、语言生成、机器学习、人机对话、信息检索、信息传输与信息存储、文本分类、自动文摘、数学方法、语言资源、系统评测。

NLTK 库安装，pip install nltk。执行 python。下载书籍，import nltk，nltk.download()，选择 book，点 Download。下载完，加载书籍，from nltk.book import * 。输入 text*书籍节点，输出书籍标题。搜索文本，text1.concordance("former ”) 。搜索相关词，text1.similar("ship") 。查看词在文章的位置，text4.dispersion_plot(["citizens", "democracy", "freedom", "duties", "America"]) ，可以按 Ctr+Z 退出。继续尝试其他函数需要重新执行 python，重新加载书籍。词统计，总字数 len(text1)，文本所有词集合 set(text1)，文本总词数 len(set(text4))，单词出现总次数 text4.count("is") ，统计文章词频从大到小排序到列表 FreqDist(text1)，统计词频输出累计图 fdist1 = FreqDist(text1);fdist1.plot(50, cumulative=True)，只出现一次的词 fdist1.hapaxes()，频繁双联词 text4.collocations() 。

自然语言处理关键点，词意理解、自动生成语言，机器翻译、人机对话(图灵测试，5 分钟内回答提出问题的 30%)。基于规则，完全从语法句法出发，照语言规则分析、理解。基于统计，收集大量语料数据，统计学习理解语言，得益于硬件(GPU)、大数据、深度学习的发展。

NLTK 语料库，Gutenberg，nltk.corpus.gutenberg.fileids()。Gutenberg 语料库文件标识符，import nltk，nltk.corpus.gutenberg.fileids()。Gutenberg 语料库阅读器 nltk.corpus.gutenberg。输出文章原始内容 nltk.corpus.gutenberg.raw('chesterton-brown.txt') 。输出文章单词列表 nltk.corpus.gutenberg.words('chesterton-brown.txt') 。输出文章句子列表 nltk.corpus.gutenberg.sents('chesterton-brown.txt') 。网络文本语料库，网络和聊天文本，from nltk.corpus import webtext。布朗语料库，按照文本分类好 500 个不同来源文本，from nltk.corpus import brown。路透社语料库，1 万多个新闻文档，from nltk.corpus import reuters。就职演说语料库，55 个总统的演说，from nltk.corpus import inaugural。

语料库组织结构，散养式(孤立多篇文章)、分类式(按照类别组织，但没有交集)、交叉式(文章属多个类)、渐变式(语法随时间发生变化)。

语料库通用接口，文件 fileids()，分类 categories()，原始内容 raw()，词汇 words()，句子 sents()，指定文件磁盘位置 abspath()，文件流 open()。

加载自定义语料库，from nltk.corpus import PlaintextCorpusReader，corpus_root = '/Users/libinggen/Documents/workspace/Python/robot/txt' ，wordlists = PlaintextCorpusReader(corpus_root, '.*') ，wordlists.fileids() 。

格式转换 GBK2UTF8，iconv -f GBK -t UTF-8 安娜·卡列尼娜.txt > 安娜·卡列尼娜 utf8.txt 。

条件分布，在一定条件下事件概率颁上。条件频率分布，指定条件下事件频率分布。

输出布朗语料库每个类别条件每个词概率：

# coding:utf-8

import sys
import importlib
importlib.reload(sys)
import nltk
from nltk.corpus import brown

# 链表推导式，genre 是 brown 语料库里的所有类别列表，word 是这个类别中的词汇列表
# (genre, word)就是类别加词汇对
genre_word = [(genre, word)
        for genre in brown.categories()
        for word in brown.words(categories=genre)
        ]

# 创建条件频率分布
cfd = nltk.ConditionalFreqDist(genre_word)

# 指定条件和样本作图
# cfd.tabulate(conditions=['news','adventure'], samples=[u'stock', u'sunbonnet', u'Elevated', u'narcotic', u'four', u'woods', u'railing', u'Until', u'aggression', u'marching', u'looking', u'eligible', u'electricity', u'$25-a-plate', u'consulate', u'Casey', u'all-county', u'Belgians', u'Western', u'1959-60', u'Duhagon', u'sinking', u'1,119', u'co-operation', u'Famed', u'regional', u'Charitable', u'appropriation', u'yellow', u'uncertain', u'Heights', u'bringing', u'prize', u'Loen', u'Publique', u'wooden', u'Loeb', u'963', u'specialties', u'Sands', u'succession', u'Paul', u'Phyfe'])

cfd.plot(conditions=['news','adventure'], samples=[u'stock', u'sunbonnet', u'Elevated', u'narcotic', u'four', u'woods', u'railing', u'Until', u'aggression', u'marching', u'looking', u'eligible', u'electricity', u'$25-a-plate', u'consulate', u'Casey', u'all-county', u'Belgians', u'Western', u'1959-60', u'Duhagon', u'sinking', u'1,119', u'co-operation', u'Famed', u'regional', u'Charitable', u'appropriation', u'yellow', u'uncertain', u'Heights', u'bringing', u'prize', u'Loen', u'Publique', u'wooden', u'Loeb', u'963', u'specialties', u'Sands', u'succession', u'Paul', u'Phyfe'])

利用条件频率分布，按照最大条件概率生成双连词，生成随机文本：

# coding:utf-8

import sys
import importlib
importlib.reload(sys)

import nltk

# 循环 10 次，从 cfdist 中取当前单词最大概率的连词,并打印出来
def generate_model(cfdist, word, num=10):
    for i in range(num):
        print(word),
        word = cfdist[word].max()

# 加载语料库
text = nltk.corpus.genesis.words('english-kjv.txt')

# 生成双连词
bigrams = nltk.bigrams(text)

# 生成条件频率分布
cfd = nltk.ConditionalFreqDist(bigrams)

# 以 the 开头，生成随机串
generate_model(cfd, 'the')

词典资源，词或短语集合： 词汇列表语料库，所有英文单词，识别语法错误 nltk.corpus.words.words。 停用词语料库，识别最频繁出现没有意义词 nltk.corpus.stopwords.words。 发音词典，输出英文单词发音 nltk.corpus.cmudict.dict。比较词表，多种语言核心 200 多个词对照，语言翻译基础 nltk.corpus.swadesh。同义词集，面向语义英语词典，同义词集网络 WordNet。

参考资料：

http://www.shareditor.com/blogshow/?blogId=63

http://www.shareditor.com/blogshow?blogId=64

http://www.shareditor.com/blogshow?blogId=65

欢迎推荐上海机器学习工作机会，我的微信：qingxingfengzi