NLPIR 汉语分词系统 (PyNLPIR) 学习手札

Posted 2023-01-19 学术状态抽奖器

1 关于NLPIR

最近在做一些NLP相关的任务，其中一个关键的子任务就是如何对汉语进行分词？关于分词的方式，有很多很多，也是很多学习者的练手任务（比如我们当时的期末作业就有这个）。但是，轮子还是要搬来用，自己写的分词只能说是去了解这个方式（了解某个算法），做出来的都是能看不能用，毕竟模型、算法、语料库等一座座大山等着我们攻克。

所以，我找了一些资料，看到一个不错的教程，他用了NLPIR，所以我也跟着使用NLPIR，并且在这里留下手札，方便自己后续查阅，也希望能够再帮助其他人理解。

在这篇手札当中，我选择的是Python的版本，也就是PyNLPIR

NLPIR的官网是：http://ictclas.nlpir.org/
其Python版本文档（英文）地址：http://pynlpir.readthedocs.io/en/latest/
本篇手札的首要参考博客：http://www.shareditor.com/blogshow/?blogId=74

关于NLPIR 其官网的介绍是：

NLPIR汉语分词系统(又名ICTCLAS2013),主要功能包括中文分词；词性标注；命名实体识别；用户词典功能；支持GBK编码、UTF8编码、BIG5编码。新增微博分词、新词发现与关键词提取；张华平博士先后倾力打造十余年，内核升级10次。

全球用户突破20万，先后获得了2010年钱伟长中文信息处理科学技术奖一等奖，2003年国际SIGHAN分词大赛综合第一名，2002年国内973评测综合第一名。

2 PyNLPIR 安装

PyNLPIR的安装很简单，首先你要保证你安装了PIP，这个工具在我的博客的各个手札当中出现过很多次，没有安装的可以看看之前的博客。

使用PIP我们可以非常快速的安装完成，终端执行如下的指令,等待安装完成即可（如果权限不够，请在前面加sudo）：

$ pip install pynlpir

安装完成后，我们验证一下是否成功了，启动Python解释器，敲入如下的代码，引入pynlpir，如果回车后没有问题，就证明安装成功

import pynlpir

3 分词与词性标注

首先我们试验一下分词，这里贴出了源代码，安装完成PyNLPIR后，大家自己运行一下这个代码就可以。

需要注意的是，使用pynlpir的时候，首先要初始化，也就是需要先open（pynlpir.open()），当执行完成后需要对应的关闭（pynlpir.close()）

# coding:utf-8

import sys
reload(sys)
sys.setdefaultencoding( "utf-8" )

import pynlpir

pynlpir.open()
s = '因为我比较懒,所以我就只是修改了这句话,代码还是原博客的'
segments = pynlpir.segment(s)
for segment in segments:
    print segment[0], '\\t', segment[1]

pynlpir.close()

如果运行成功，那么应该会给出如下的结果

因为  preposition
我   pronoun
比较  adverb
懒   adjective
,   punctuation mark
所以  conjunction
我   pronoun
就   adverb
只   adverb
是   verb
修改  verb
了   particle
这   pronoun
句   classifier
话   noun
,   punctuation mark
代码  noun
还   adverb
是   verb
原   distinguishing word
博客  noun
的   particle

Process finished with exit code 0

NLPIR还可以更加详细的输出词性信息，做如下修改：

segments = pynlpir.segment(s)
改为：
segments = pynlpir.segment(s,pos_names='all')
你可以在segment时同时配置如下参数，调整结果，请自行选择：
pos_names='all' / 'child' / 'parent' #默认是parent， 表示获取该词性的最顶级词性，child表示获取该词性的最具体的信息，all表示获取该词性相关的所有词性信息，相当于从其顶级词性到该词性的一条路径
pos_english=False # 词性标注结果以中文的形式显示
pos_tagging=False # 只做分词，而不显示词性

运行后可以得到更加详细的结果：

因为  preposition
我   pronoun:personal pronoun
比较  adverb
懒   adjective
,   punctuation mark:comma
所以  conjunction
我   pronoun:personal pronoun
就   adverb
只   adverb
是   verb:verb 是
修改  verb
了   particle:particle 了/喽
这   pronoun:demonstrative pronoun:predicate demonstrative pronoun
句   classifier
话   noun
,   punctuation mark:comma
代码  noun
还   adverb
是   verb:verb 是
原   distinguishing word
博客  noun:other proper noun
的   particle:particle 的/底

4 关键词提取

在如上的代码基础上，略微的修改代码

# coding:utf-8

import sys
reload(sys)
sys.setdefaultencoding( "utf-8" )

import pynlpir

pynlpir.open()
s = '因为我比较懒,所以我就只是修改了这句话,代码还是原博客的'
print '关键词测试:\\n'
key_words = pynlpir.get_key_words(s, weighted=True)
for key_word in key_words:
    print key_word[0], '\\t', key_word[1]

pynlpir.close()

运行后提取出来的关键词应该是：

关键词测试:

关键词测试:

修改  2.0
代码  2.0
博客  2.0

Process finished with exit code 0

附录 NLPIR 词性分类信息

  POS_MAP = 
        'n': ('名词', 'noun', 
            'nr': ('人名', 'personal name', 
                'nr1': ('汉语姓氏', 'Chinese surname'),
                'nr2': ('汉语名字', 'Chinese given name'),
                'nrj': ('日语人名', 'Japanese personal name'),
                'nrf': ('音译人名', 'transcribed personal name')
            ),
            'ns': ('地名', 'toponym', 
                'nsf': ('音译地名', 'transcribed toponym'),
            ),
            'nt': ('机构团体名', 'organization/group name'),
            'nz': ('其它专名', 'other proper noun'),
            'nl': ('名词性惯用语', 'noun phrase'),
            'ng': ('名词性语素', 'noun morpheme'),
        ),
        't': ('时间词', 'time word', 
            'tg': ('时间词性语素', 'time morpheme'),
        ),
        's': ('处所词', 'locative word'),
        'f': ('方位词', 'noun of locality'),
        'v': ('动词', 'verb', 
            'vd': ('副动词', 'auxiliary verb'),
            'vn': ('名动词', 'noun-verb'),
            'vshi': ('动词"是"', 'verb 是'),
            'vyou': ('动词"有"', 'verb 有'),
            'vf': ('趋向动词', 'directional verb'),
            'vx': ('行事动词', 'performative verb'),
            'vi': ('不及物动词', 'intransitive verb'),
            'vl': ('动词性惯用语', 'verb phrase'),
            'vg': ('动词性语素', 'verb morpheme'),
        ),
        'a': ('形容词', 'adjective', 
            'ad': ('副形词', 'auxiliary adjective'),
            'an': ('名形词', 'noun-adjective'),
            'ag': ('形容词性语素', 'adjective morpheme'),
            'al': ('形容词性惯用语', 'adjective phrase'),
        ),
        'b': ('区别词', 'distinguishing word', 
            'bl': ('区别词性惯用语', 'distinguishing phrase'),
        ),
        'z': ('状态词', 'status word'),
       'r': ('代词', 'pronoun', 
            'rr': ('人称代词', 'personal pronoun'),
            'rz': ('指示代词', 'demonstrative pronoun', 
                'rzt': ('时间指示代词', 'temporal demonstrative pronoun'),
                'rzs': ('处所指示代词', 'locative demonstrative pronoun'),
                'rzv': ('谓词性指示代词', 'predicate demonstrative pronoun'),
            ),
            'ry': ('疑问代词', 'interrogative pronoun', 
                'ryt': ('时间疑问代词', 'temporal interrogative pronoun'),
                'rys': ('处所疑问代词', 'locative interrogative pronoun'),
                'ryv': ('谓词性疑问代词', 'predicate interrogative pronoun'),
            ),
            'rg': ('代词性语素', 'pronoun morpheme'),
        ),
        'm': ('数词', 'numeral', 
            'mq': ('数量词', 'numeral-plus-classifier compound'),
        ),
        'q': ('量词', 'classifier', 
            'qv': ('动量词', 'verbal classifier'),
            'qt': ('时量词', 'temporal classifier'),
        ),
        'd': ('副词', 'adverb'),
        'p': ('介词', 'preposition', 
            'pba': ('介词“把”', 'preposition 把'),
            'pbei': ('介词“被”', 'preposition 被'),
        ),
        'c': ('连词', 'conjunction', 
            'cc': ('并列连词', 'coordinating conjunction'),
        ),
        'u': ('助词', 'particle', 
            'uzhe': ('着', 'particle 着'),
            'ule': ('了／喽', 'particle 了/喽'),
            'uguo': ('过', 'particle 过'),
            'ude1': ('的／底', 'particle 的/底'),
            'ude2': ('地', 'particle 地'),
            'ude3': ('得', 'particle 得'),
            'usuo': ('所', 'particle 所'),
            'udeng': ('等／等等／云云', 'particle 等/等等/云云'),
            'uyy': ('一样／一般／似的／般', 'particle 一样/一般/似的/般'),
            'udh': ('的话', 'particle 的话'),
            'uls': ('来讲／来说／而言／说来', 'particle 来讲/来说/而言/说来'),
            'uzhi': ('之', 'particle 之'),
            'ulian': ('连', 'particle 连'),
        ),
       'e': ('叹词', 'interjection'),
        'y': ('语气词', 'modal particle'),
        'o': ('拟声词', 'onomatopoeia'),
        'h': ('前缀', 'prefix'),
        'k': ('后缀' 'suffix'),
        'x': ('字符串', 'string', 
            'xe': ('Email字符串', 'email address'),
            'xs': ('微博会话分隔符', 'hashtag'),
            'xm': ('表情符合', 'emoticon'),
            'xu': ('网址URL', 'URL'),
            'xx': ('非语素字', 'non-morpheme character'),
        ),
        'w': ('标点符号', 'punctuation mark', 
            'wkz': ('左括号', 'left parenthesis/bracket'),
            'wky': ('右括号', 'right parenthesis/bracket'),
            'wyz': ('左引号', 'left quotation mark'),
            'wyy': ('右引号', 'right quotation mark'),
            'wj': ('句号', 'period'),
            'ww': ('问号', 'question mark'),
            'wt': ('叹号', 'exclamation mark'),
            'wd': ('逗号', 'comma'),
            'wf': ('分号', 'semicolon'),
            'wn': ('顿号', 'enumeration comma'),
            'wm': ('冒号', 'colon'),
            'ws': ('省略号', 'ellipsis'),
            'wp': ('破折号', 'dash'),
            'wb': ('百分号千分号', 'percent/per mille sign'),
            'wh': ('单位符号', 'unit of measure sign'),
        ),