學習筆記CB001:NLTK庫、語料庫、詞概率、雙連詞、詞典

聊天機器人知識主要是自然語言處理。包括語言分析和理解、語言生成、機器學習、人機對話、信息檢索、信息傳輸與信息存儲、文本分類、自動文摘、數學方法、語言資源、系統評測。

NLTK庫安裝，pip install nltk 。執行python。下載書籍，import nltk，nltk.download()，選擇book，點Download。下載完，載入書籍，from nltk.book import * 。輸入text*書籍節點，輸出書籍標題。搜索文本，text1.concordance("former」) 。搜索相關詞，text1.similar("ship") 。查看詞在文章的位置，text4.dispersion_plot(["citizens", "democracy", "freedom", "duties", "America"]) ，可以按Ctr+Z退出。繼續嘗試其他函數需要重新執行python，重新載入書籍。詞統計，總字數 len(text1)，文本所有詞集合 set(text1)，文本總詞數 len(set(text4))，單詞出現總次數 text4.count("is") ，統計文章詞頻從大到小排序到列表 FreqDist(text1)，統計詞頻輸出累計圖 fdist1 = FreqDist(text1);fdist1.plot(50, cumulative=True)，只出現一次的詞 fdist1.hapaxes()，頻繁雙聯詞 text4.collocations() 。

自然語言處理關鍵點，詞意理解、自動生成語言，機器翻譯、人機對話(圖靈測試，5分鐘內回答提出問題的30%)。基於規則，完全從語法句法出發，照語言規則分析、理解。基於統計，收集大量語料數據，統計學習理解語言，得益於硬體(GPU)、大數據、深度學習的發展。

NLTK語料庫，Gutenberg，nltk.corpus.gutenberg.fileids()。Gutenberg語料庫文件標識符，import nltk，nltk.corpus.gutenberg.fileids()。Gutenberg語料庫閱讀器 nltk.corpus.gutenberg。輸出文章原始內容 nltk.corpus.gutenberg.raw(chesterton-brown.txt) 。輸出文章單詞列表 nltk.corpus.gutenberg.words(chesterton-brown.txt) 。輸出文章句子列表 nltk.corpus.gutenberg.sents(chesterton-brown.txt) 。網路文本語料庫，網路和聊天文本，from nltk.corpus import webtext 。布朗語料庫，按照文本分類好500個不同來源文本，from nltk.corpus import brown 。路透社語料庫，1萬多個新聞文檔，from nltk.corpus import reuters 。就職演說語料庫，55個總統的演說，from nltk.corpus import inaugural 。

語料庫組織結構，散養式(孤立多篇文章)、分類式(按照類別組織，但沒有交集)、交叉式(文章屬多個類)、漸變式(語法隨時間發生變化)。

語料庫通用介面，文件 fileids()，分類 categories()，原始內容 raw()，辭彙 words()，句子 sents()，指定文件磁碟位置 abspath()，文件流 open()。

載入自定義語料庫，from nltk.corpus import PlaintextCorpusReader ，corpus_root = /Users/libinggen/Documents/workspace/Python/robot/txt ，wordlists = PlaintextCorpusReader(corpus_root, .*) ，wordlists.fileids() 。

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

條件分布，在一定條件下事件概率頒上。條件頻率分布，指定條件下事件頻率分布。

輸出布朗語料庫每個類別條件每個詞概率：

# coding:utf-8

import sys

import importlib

importlib.reload(sys)

import nltk

from nltk.corpus import brown

# 鏈表推導式，genre是brown語料庫里的所有類別列表，word是這個類別中的辭彙列表

# (genre, word)就是類別加辭彙對

genre_word = [(genre, word)

for genre in brown.categories()

for word in brown.words(categories=genre)

]

# 創建條件頻率分布

cfd = nltk.ConditionalFreqDist(genre_word)

# 指定條件和樣本作圖

# cfd.tabulate(conditions=[news,adventure], samples=[ustock, usunbonnet, uElevated, unarcotic, ufour, uwoods, urailing, uUntil, uaggression, umarching, ulooking, ueligible, uelectricity, u$25-a-plate, uconsulate, uCasey, uall-county, uBelgians, uWestern, u1959-60, uDuhagon, usinking, u1,119, uco-operation, uFamed, uregional, uCharitable, uappropriation, uyellow, uuncertain, uHeights, ubringing, uprize, uLoen, uPublique, uwooden, uLoeb, u963, uspecialties, uSands, usuccession, uPaul, uPhyfe])

cfd.plot(conditions=[news,adventure], samples=[ustock, usunbonnet, uElevated, unarcotic, ufour, uwoods, urailing, uUntil, uaggression, umarching, ulooking, ueligible, uelectricity, u$25-a-plate, uconsulate, uCasey, uall-county, uBelgians, uWestern, u1959-60, uDuhagon, usinking, u1,119, uco-operation, uFamed, uregional, uCharitable, uappropriation, uyellow, uuncertain, uHeights, ubringing, uprize, uLoen, uPublique, uwooden, uLoeb, u963, uspecialties, uSands, usuccession, uPaul, uPhyfe])

利用條件頻率分布，按照最大條件概率生成雙連詞，生成隨機文本：

# coding:utf-8

import sys

import importlib

importlib.reload(sys)

import nltk

# 循環10次，從cfdist中取當前單詞最大概率的連詞,並列印出來

def generate_model(cfdist, word, num=10):

for i in range(num):

print(word),

word = cfdist[word].max()

# 載入語料庫

text = nltk.corpus.genesis.words(english-kjv.txt)

# 生成雙連詞

bigrams = nltk.bigrams(text)

# 生成條件頻率分布

cfd = nltk.ConditionalFreqDist(bigrams)

# 以the開頭，生成隨機串

generate_model(cfd, the)

詞典資源，詞或短語集合：

辭彙列表語料庫，所有英文單詞，識別語法錯誤 nltk.corpus.words.words 。

停用詞語料庫，識別最頻繁出現沒有意義詞 nltk.corpus.stopwords.words 。

發音詞典，輸出英文單詞發音 nltk.corpus.cmudict.dict 。比較詞表，多種語言核心200多個詞對照，語言翻譯基礎 nltk.corpus.swadesh 。同義詞集，面向語義英語詞典，同義詞集網路 WordNet 。

參考資料：

自己動手做聊天機器人 一-涉及知識

自己動手做聊天機器人 二-初識NLTK庫

自己動手做聊天機器人 三-語料與辭彙資源

歡迎推薦上海機器學習工作機會，我的微信：qingxingfengzi