spaCy教程学习

作者|PRATEEK JOSHI
编译|VK
来源|Analytics Vidhya

介绍

spaCy是我的自然语言处理（NLP）任务的必备库。我冒昧地说，大多数专家都是这样！

如今，在众多的NLP库中，spaCy确实独树一帜。如果你在NLP上用过spaCy，你就会知道我在说什么。如果你对spaCy的强大功能还不熟悉，你会被这个库的多功能性和灵活性所吸引。

spaCy的优点是它提供一系列优良的特性，库也是易用的，以及库总是保持最新。

spaCy入门

如果你对spaCy还不熟悉，你应该注意以下几点：

spaCy的统计模型 spaCy的处理管道

让我们详细讨论一下每一个问题。

spaCy的统计模型

这些模型是spaCy的核心。这些模型使spaCy能够执行一些与NLP相关的任务，例如词性标记、命名实体识别和依存关系解析。

下面我列出了spaCy中的不同统计模型及其规范：

en_core_web_sm：英语多任务CNN，在OntoNotes上训练，大小为11 MB en_core_web_md：英语多任务CNN，在OntoNotes上训练，并且使用Common Crawl上训练的GLoVe词嵌入，大小为91 MB en_core_web_lg：英语多任务CNN，在OntoNotes上训练，并且使用Common Crawl上训练的GLoVe词嵌入，大小为789 MB

导入这些模型非常容易。我们可以通过执行spacy.load(‘model_name’) 导入模型，如下所示：

import spacy
nlp = spacy.load('en_core_web_sm')

spaCy的处理管道

使用spaCy时，文本字符串的第一步是将其传递给NLP对象。这个对象本质上是由几个文本预处理操作组成的管道，输入文本字符串必须通过这些操作。

如上图所示，NLP管道有多个组件，如标记生成器、标签器、解析器、ner等。因此，在处理输入文本字符串之前，必须先通过所有这些组件。

让我演示如何创建nlp对象：

import spacy
nlp = spacy.load('en_core_web_sm')

# 创建nlp对象
doc = nlp("He went to play basketball")

你可以使用以下代码找出活动的管道组件：

nlp.pipe_names

输出：['tagger'，'parser'，'ner']

如果您希望禁用管道组件并仅保持ner的运行，则可以使用下面的代码禁用管道组件：

nlp.disable_pipes('tagger', 'parser')

让我们再次检查活动管道组件：

nlp.pipe_names

输出：['ner']

当您只需要标记文本时，就可以禁用整个管道。标记化过程变得非常快。例如，可以使用以下代码行禁用管道的多个组件：

nlp.disable_pipes('tagger', 'parser')

spaCy实战

现在，让我们练手。在本节中，你将学习使用spaCy执行各种NLP任务。我们将从流行的NLP任务开始，包括词性标记、依存分析和命名实体识别。

1.词性标注

在英语语法中，词类告诉我们一个词的功能是什么，以及如何在句子中使用。英语中常用的词类有名词、代词、形容词、动词、副词等。

词性标注是自动将词性标注分配给句子中所有单词的任务。它有助于NLP中的各种下游任务，如特征工程、语言理解和信息提取。

在spaCy中执行POS标记是一个简单的过程：

import spacy 
nlp = spacy.load('en_core_web_sm')

# 创建nlp对象
doc = nlp("He went to play basketball")
 
# 遍历token
for token in doc:
    # Print the token and its part-of-speech tag
    print(token.text, "-->", token.pos_)

输出：

He –> PRON
went –> VERB
to –> PART
play –> VERB
basketball –> NOUN

因此，该模型正确识别了句子中所有单词的POS标记。如果你对这些标记中的任何一个都不确定，那么您可以简单地使用spacy.explain()来确定：

spacy.explain("PART")

输出： ‘particle’

2.使用spaCy进行依存分析

每个句子都有一个语法结构，通过依存句法分析，我们可以提取出这个结构。它也可以看作是一个有向图，其中节点对应于句子中的单词，节点之间的边是单词之间的对应依赖关系。

在spaCy中，执行依存分析同样非常容易。我们将使用与词性标注相同的句子：

# 依存分析
for token in doc:
    print(token.text, "-->", token.dep_)

输出：

He –> nsubj
went –> ROOT
to –> aux
play –> advcl
basketball –> dobj

依存标记ROOT表示句子中的主要动词或动作。其他词与句子的词根有直接或间接的联系。通过执行下面的代码，你可以了解其他标记的含义：

spacy.explain("nsubj"), spacy.explain("ROOT"), spacy.explain("aux"), spacy.explain("advcl"), spacy.explain("dobj")

输出：

(‘nominal subject’,
None,
‘auxiliary’,
‘adverbial clause modifier’,
‘direct object’)

3.基于spaCy的命名实体识别

首先让我们了解什么是实体。实体是表示诸如个人、地点、组织等常见事物的信息的词或词组。这些实体具有专有名称。

例如，请考虑以下句子：

在这句话中，实体是“Donald Trump”、“Google”和“New York City”。

现在让我们看看spaCy如何识别句子中的命名实体。

doc = nlp("Indians spent over $71 billion on clothes in 2018")
 
for ent in doc.ents:
    print(ent.text, ent.label_)

输出：

Indians NORP
over $71 billion MONEY
2018 DATE

spacy.explain("NORP")

输出：‘Nationalities or religious or political groups’

4.基于规则的spaCy匹配

基于规则的匹配是spaCy的新功能。使用这个spaCy匹配器，您可以使用用户定义的规则在文本中查找单词和短语。

就像正则表达式。

正则表达式使用文本模式来查找单词和短语，而spaCy匹配器不仅使用文本模式，还使用单词的词汇属性，如POS标记、依赖标记、词根等。

让我们看看它是如何工作的：

import spacy
nlp = spacy.load('en_core_web_sm')

# 导入 spaCy Matcher
from spacy.matcher import Matcher

#用spaCy词汇表初始化Matcher
matcher = Matcher(nlp.vocab)

doc = nlp("Some people start their day with lemon water")

# 定义规则
pattern = [{'TEXT': 'lemon'}, {'TEXT': 'water'}]

# 添加规则
matcher.add('rule_1', None, pattern)

所以，在上面的代码中：

首先，我们导入spaCy matcher 之后，我们用默认的spaCy词汇表初始化matcher对象然后，我们像往常一样在NLP对象中传递输入在下一步中，我们将为要从文本中提取的内容定义规则。

假设我们想从文本中提取“lemon water”这个短语。所以，我们的目标是water跟在lemon后面。最后，我们将定义的规则添加到matcher对象。

现在让我们看看matcher发现了什么：

matches = matcher(doc)
matches

输出： [(7604275899133490726, 6, 8)]

输出有三个元素。第一个元素“7604275899133490726”是匹配ID。第二个和第三个元素是匹配标记的位置。

# 提取匹配文本
for match_id, start, end in matches:
    # 获得匹配的宽度
    matched_span = doc[start:end]
    print(matched_span.text)

输出：lemon water

因此，模式是一个标记属性列表。例如，“TEXT”是一个标记属性，表示标记的确切文本。实际上，spaCy中还有许多其他有用的标记属性，可以用来定义各种规则和模式。

我列出了以下标记属性：

属性类型描述 ORTH unicode 精确匹配的文本 TEXT unicode 精确匹配的文本 LOWER unicode 文本小写形式 LENGTH int 文本的长度 IS_ALPHA, IS_ASCII, IS_DIGIT bool 文本由字母字符、ASCII字符、数字组成。 IS_LOWER, IS_UPPER, IS_TITLE bool 文本是小写、大写、首字母大写格式的。 IS_PUNCT, IS_SPACE, IS_STOP bool 文本是标点符号、空格、停用词。 LIKE_NUM, LIKE_URL, LIKE_EMAIL bool 文本表示数字、URL和电子邮件。 POS, TAG, DEP, LEMMA, SHAPE unicode 文本是词性标记、依存标签、词根、形状。 ENT_TYPE unicode 实体标签

让我们看看spaCy matcher的另一个用例。考虑下面的两句话：

You can read this book I will book my ticket

现在我们感兴趣的是找出一个句子中是否含有“book”这个词。看起来挺直截了当的对吧？但这里有一个问题——只有当“book”这个词在句子中用作名词时，我们才能找到它。

在上面的第一句中，“book”被用作名词，在第二句中，它被用作动词。因此，spaCy匹配器应该只能从第一句话中提取。我们试试看：

doc1 = nlp("You read this book")
doc2 = nlp("I will book my ticket")

pattern = [{'TEXT': 'book', 'POS': 'NOUN'}]

# 用共享的vocab初始化matcher
matcher = Matcher(nlp.vocab)
matcher.add('rule_2', None, pattern)