词形还原(Lemmatization)

在英文当中，一些词会在不同的情况中有不同的形态：名词有单复数，动词有时态和语态，形容词有比较级。而在自然语言处理的一些场景中，这种形态的差异是没有意义的甚至有干扰作用，需要将不同形态的词转换为其原型，这种处理就称为 "词形还原(Lemmatization/Lemmatisation)" ，得到的原型被称为 "词元(Lemma)" 。

举栗子:

dogs -> dog, cats -> cat
doing -> do, done -> do
better -> good

为什么说词的不同形态有干扰作用呢？这么说其实不太严谨，要结合实际应用来说才是有意义的，不妨以文档相似计算这个应用来看一看。

假设我们有三个文档，内容分别为:

D1: I work at home
D2: I was working at home
D3: I was sleeping at home

从表达的内容上来看，我们会认为 D1 和 D2 是更接近的，而 D2 和 D3 表达的是两件事情。接下来计算一下 Document-Term 矩阵

	D1	D2	D3
I	1	1	1
was	0	1	1
work	1	0	0
working	0	1	0
sleeping	0	0	1
at	1	1	1
home	1	1	1

然后计算三个文档之间两两的相似性，为计算简单，这里定义文档相似性为: 两个文档在表中对应的列中 相同位的个数 ，那么

	D1	D2	D3
D1	7	4	4
D2	4	7	5
D3	4	5	7

结果是: D2 和 D3 最相似 —— 这和预期的结果是不一致的。

如果对文档中每个词都进行词形还原，那么结果会不一样。

注意，词形还原(lemmatization)与词干提取(stemming)在一些词的表现上很相似，但它们是两个东西。

词形还原的工具

Python: NLTK

NLTK 是著名的 Python 自然语言处理包，其中包含了非常多的自然语言处理相关方法和工具，其中也包含了词形还原的功能。

NLTK 中的词形还原功能依赖 WordNet 语料和一个名为 averaged_perceptron_tagger 的词性标注集，所以在使用其词形还原方法前需要先下载相关的数据:

import nltk

nltk.download("wordnet")
nltk.download("averaged_perceptron_tagger")

使用方法:

from nltk.stem import WordNetLemmatizer

lemmatizer = WordNetLemmatizer()
print lemmatizer.lemmatize('dogs')
print lemmatizer.lemmatize('working', pos='v')

NLTK 里这个词形还原工具的一个问题是需要手动指定词性，比如上面例子中的 "working" 这个词，如果不加后面那个 pos 参数，输出的结果将会是 "working" 本身。

如果希望在实际应用中使用 NLTK 进行词形还原，一个完整的解决方案是:

输入一个完整的句子
用 NLTK 提供的工具对句子进行分词和词性标注
将得到的词性标注结果转换为 WordNet 的格式
使用 WordNetLemmatizer 对词进行词形还原

其中分词和词性标注又有数据依赖:

nltk.download("punkt")
nltk.download("maxent_treebank_pos_tagger")

给一个小 demo

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


def get_wordnet_pos(treebank_tag):
    if treebank_tag.startswith('J'):
        return wordnet.ADJ
    elif treebank_tag.startswith('V'):
        return wordnet.VERB
    elif treebank_tag.startswith('N'):
        return wordnet.NOUN
    elif treebank_tag.startswith('R'):
        return wordnet.ADV
    else:
        return None


def lemmatize_sentence(sentence):
    res = []
    lemmatizer = WordNetLemmatizer()
    for word, pos in pos_tag(word_tokenize(sentence)):
        wordnet_pos = get_wordnet_pos(pos) or wordnet.NOUN
        res.append(lemmatizer.lemmatize(word, pos=wordnet_pos))

    return res

Python: Pattern

Pattern 是一个 Python 的数据挖掘库，还实现了自然语言处理、机器学习以及数据可视化等一整套的功能，是一个非常强大的库， Github 上 4000 多个 star 呢。

Pattern 中的 en 模块是专门用于英文的自然语言处理的，实现了很多非常棒的方法，比如:

from pattern.en import quantify

print quantify(['goose', 'goose', 'duck', 'chicken', 'chicken', 'chicken'])
print quantify({'carrot': 100, 'parrot': 20})
print quantify('carrot', amount=1000)

再比如:

from pattern.en import comparative, superlative

print comparative('bad')
print superlative('bad')

嗯，跑题了……使用 Pattern 进行词形还原在形式上非常简单，如下所示:

from pattern.en import lemma

print lemma('working')

So easy!完全不用管什么词性标注之类的。

Python: TextBlob

TextBlob 是一个专注自然语言处理的 Python 库，集成了 NLTK 和 Pattern 的一些功能。其中的词形还原功能使用如下:

from textblob import TextBlob

blob = TextBlob('I was working at home')
print blob.words
for word in blob.words:
    print word.lemmatize()

结果并不是很理想，同 NLTK 一样，可以传入词性来使词形提高还原结果。

Tree Tagger

Tree Tagger 是一个命令行词性标注工具，词形还原是它附带的功能。

安装:

下载词性标注器: Linux / Mac OS-X
下载词性标注脚本
下载安装工具: install-tagger.sh
下载需要处理的语言的参数文件: 英语
将上述下载好的资源放到同一个目录中，其中的压缩包不需要解压，直接执行 install-tagger.sh
```
chmod +x install-tagger.sh && ./install-tagger.sh
```

完成上述操作后将会在当前目录中生成 bin 和 cmd 两个目录，其中是一些可执行程序或脚本，不多介绍。想要进行词形还原，以英语为例，可以这么做:

echo 'I was working at home' | tree-tagger-english