NLTKの使い方をいろいろ調べてみた

Pythonで英語による自然言語処理をする上で役に立つNLTK(Natural Language Toolkit)の使い方をいろいろ調べてみたので、メモ用にまとめておきます。誰かのご参考になれば幸いです。

公式ドキュメント

• http://www.nltk.org/

参考記事

ほとんど以下の写経です。
- Python,NLTKで自然言語処理
- nltk

インストール

pipで一発で入ります。

pip install nltk

使い方

機能のダウンロード

NLTKで形態素をするとき、最初に機能をダウンロードする必要があるとのこと。Pythonインタプリタで以下のコマンドを実行する必要があります。
以下のように nltk.download で機能を指定し、ダウンロードすると、 $HOME に nltk_data というフォルダが作成され、それぞれの機能に関するファイルが格納されます。

分かち書き（word_tokenize）

import nltk
nltk.download('punkt')

品詞の取得（pos_tag）

import nltk
nltk.download('averaged_perceptron_tagger')

注意！！

ググると 上記コマンドで punkt などの機能を指定せずにnltk.download() と実行すると、機能を選択しながらDLできる、みたいな記述がありますが、私の環境（MacBookPro）では nltk.download() を実行すると、Macが再起動します。

機能一括ダウンロード

毎回新しい機能を使うたびにdownloadしてはめんどくさいので、以下のコマンドで機能を一括でダウンロードできます。

import nltk
nltk.download('all')

一括で機能を取得すると、 nltk_data のサイズが3.3GBになりました。

実行方法

分かち書き

import nltk
s = "Hi, I'm Taro Yamada I woke up at 8am"
morph = nltk.word_tokenize(s)
print(morph)
# ['Hi', ',', 'I', "'m", 'Taro', 'Yamada', 'I', 'woke', 'up', 'at', '8am']

品詞の取得

# 上のmorphに対して
pos = nltk.pos_tag(morph)
print(pos)
# [('Hi', 'NNP'), (',', ','), ('I', 'PRP'), ("'m", 'VBP'), ('Taro', 'JJ'), ('Yamada', 'NNP'), ('I', 'PRP'), ('woke', 'VBD'), ('up', 'RB'), ('at', 'IN'), ('8am', 'CD')]

TaroがJJ(形容詞)になってしまった...

品詞タグの見方

品詞タグ	品詞名（英語）	品詞名（日本語）
CC	Coordinating conjunction	調整接続詞
CD	Cardinal number	基数
DT	Determiner	限定詞
EX	Existential there	存在を表す there
FW	Foreign word	外国語
IN	Preposition or subordinating conjunction	前置詞または従属接続詞
JJ	Adjective	形容詞
JJR	Adjective, comparative	形容詞 (比較級)
JJS	Adjective, superlative	形容詞 (最上級)
LS	List item marker	-
MD	Modal	法
NN	Noun, singular or mass	名詞
NNS	Noun, plural	名詞 (複数形)
NNP	Proper noun, singular	固有名詞
NNPS	Proper noun, plural	固有名詞 (複数形)
PDT	Predeterminer	前限定辞
POS	Possessive ending	所有格の終わり
PRP	Personal pronoun	人称代名詞 (PP)
PRP$	Possessive pronoun	所有代名詞 (PP$)
RB	Adverb	副詞
RBR	Adverb, comparative	副詞 (比較級)
RBS	Adverb, superlative	副詞 (最上級)
RP	Particle	不変化詞
SYM	Symbol	記号
TO	to	前置詞 to
UH	Interjection	感嘆詞
VB	Verb, base form	動詞 (原形)
VBD	Verb, past tense	動詞 (過去形)
VBG	Verb, gerund or present participle	動詞 (動名詞または現在分詞)
VBN	Verb, past participle	動詞 (過去分詞)
VBP	Verb, non-3rd person singular present	動詞 (三人称単数以外の現在形)
VBZ	Verb, 3rd person singular present	動詞 (三人称単数の現在形)
WDT	Wh-determiner	Wh 限定詞
WP	Wh-pronoun	Wh 代名詞
WP$	Possessive wh-pronoun	所有 Wh 代名詞
WRB	Wh-adverb	Wh 副詞

その他の機能

固有表現抽出(Named Entities)

Taro Yamada が人名、TokyoがGPE(? おそらく地名的なエンティティ)が取得できている

import nltk
s = "Hi, I'm Taro Yamada I woke up at 8am"
morph = nltk.word_tokenize(s)
pos = nltk.pos_tag(morph)
# chunk.ne_chunkに品詞情報を渡す
entities = nltk.chunk.ne_chunk(pos)
print(entities)
#(S
# (GPE Hi/NNP)
#  ,/,
#  I/PRP
#  'm/VBP
#  (PERSON Taro/JJ Yamada/NNP)
#  ./.
#  I/PRP
#  woke/VBD
#  up/RB
#  at/IN
#  8am/CD)

# もうひとつ例
s = "I live in Tokyo."
morph = nltk.word_tokenize(s)
pos = nltk.pos_tag(morph)
entities = nltk.chunk.ne_chunk(pos)
print(entities)
# (S I/PRP live/VBP in/IN (GPE Tokyo/NNP) ./.)

見出し語(Lemmatisation)

from nltk.stem import WordNetLemmatizer
lemmatizer = WordNetLemmatizer()
# 形態素のみを与える（文章（複数の形態素はダメ））
s = "getting"
print(lemmatizer.lemmatize(s))
print(lemmatizer.lemmatize(s, pos="n"))
print(lemmatizer.lemmatize(s, pos="v"))
# getting
# getting
# get

# 大文字が入ってるとだめ
s = "Getting"
print(lemmatizer.lemmatize(s))
print(lemmatizer.lemmatize(s, pos="n"))
print(lemmatizer.lemmatize(s, pos="v"))
# Getting
# Getting
# Getting

pos 引数に与えられる文字は以下の４つ

	引数に指定できる文字
NOUN	n
VERB	v
ADJ	a
ADV	r

語幹化(Stemming)

方法が２つある（PorterStemmer()とLancasterStemmer()）

• PorterStemmer・・・一般的、安定的
• LancasterStemmer・・・アグレッシブ(?)

from nltk import stem
s1 = "Getting"
s2 = "dialogue"
# PorterStemmer
stemmer = stem.PorterStemmer()
print(stemmer.stem(s1))
print(stemmer.stem(s2))
# get
# dialogu

# LancasterStemmer
stemmer2 = stem.LancasterStemmer()
print(stemmer2.stem(s1))
print(stemmer2.stem(s2))
# get
# dialog

Sentence Tokenize

これでword tokenizeもできる

from nltk import tokenize
s = '''He grinned and said, "I make lots of money.  On weekdays I receive
an average of 50 orders a day from all over the globe via the Internet."'
'''

# sentence
print(tokenize.sent_tokenize(s))
# ['He grinned and said, "I make lots of money.',
# 'On weekdays I receive\nan average of 50 orders a day from all over the globe via the Internet."\'']

# word
print(tokenize.word_tokenize(s))
print(tokenize.wordpunct_tokenize(s))
# ['He', 'grinned', 'and', 'said', ',', '``', 'I', 'make', 'lots', 'of', 'money', '.', 'On', 'weekdays', 'I', 'receive', 'an', 'average', 'of', '50', 'orders', 'a', 'day', 'from', 'all', 'over', 'the', 'globe', 'via', 'the', 'Internet', '.', "''", "'"]
# ['He', 'grinned', 'and', 'said', ',', '"', 'I', 'make', 'lots', 'of', 'money', '.', 'On', 'weekdays', 'I', 'receive', 'an', 'average', 'of', '50', 'orders', 'a', 'day', 'from', 'all', 'over', 'the', 'globe', 'via', 'the', 'Internet', '."\'']

Stopwords

予め英語用のStopwordsが用意されている。
実際に使うときはこのStopwords集合を分かち書きに対してループで除去する処理を記述する必要あり

from nltk.corpus import stopwords
stopset = set(stopwords.words('english'))
print(stopset)
#{'a',
# 'about',
# 'above',
# 'after',
# 'again',
# 'against',
#〜中略〜
# 'y',
# 'you',
# "you'd",
# "you'll",
# "you're",
# "you've",
# 'your',
# 'yours',
# 'yourself',
# 'yourselves'}

複合語の設定

使い方によってはユーザ辞書としても機能しそうだけど、その場合語幹化などは難しそう...

from nltk.tokenize import MWETokenizer

s = "I live in the United States . I have a lot of friends !"

# MWEインスタンス生成時に、以下のように複合語にしたいワードをタプル的に宣言（複数指定できる）
tokenizer = MWETokenizer([('the', 'United', 'States')])
# 追加で複合語を設定したければadd_mweでOK
tokenizer.add_mwe(('a', 'lot', 'of'))
print(tokenizer.tokenize(s.split()))
# ['I', 'live', 'in', 'the_United_States', '.', 'I', 'have', 'a_lot_of', 'friends', '!']

# このように複合語にピリオドなどの記号がくっついていると、正しく複合語と認識してくれない
ss = "I live in the United States. I have a lot of friends !"
print(tokenizer.tokenize(s.split()))
# ['I', 'live', 'in', 'the', 'United', 'States.', 'I', 'have', 'a_lot_of', 'friends', '!']

最後に

• NLTKだけでは例えば don't を do not に変換するとかはできないっぽい
• だいたいNLTKの機能がわかった気がする

おわり