【Python机器学习】NLP概述——词序和语法

zhangbin_2372024-08-22 18:56

词的顺序很重要，那些在词序列（如句子）中控制词序的规则被称为语言的语法（也被称为文法）。这是之前的词袋或词向量例子中所丢弃的信息。在大多数简短的短语甚至许多完整的句子中，上述词向量近似方法都可以奏效。如果只是想对一个短句的一般意义和情感进行编码的话，那么词序并不十分重要。看一下一个短句的所有词序结果：

python 复制代码

from itertools import permutations

#原句：Good morning Tom
print(list(" ".join(combo) for combo in permutations("Good morning Tim!".split(),3)))

可以看到，3个单词就可以组成6种不同顺序的句子。

现在，如果试图孤立的解释这些字符串中的每一个，那么可能会得出轮，即这些字符串可能都有相似的意图或含义。

我们再用一个更长、更复杂的短语来尝试一下，这是一条逻辑语句，其中词的顺序非常重要：

python 复制代码

s="""
Find textbooks with titles containing 'NLP',
or 'natural' and 'language', or
'computational' and 'linguistics'.
"""
print(len(s.split()))
print(np.arange(1,12+1).prod())

可以看到，当有14个单词，不同的排列方式会有479001600种。很明显，词序所包含的逻辑对任何希望正确回复的机器来说都很重要。尽管普通的问候语通常不会因为词袋处理而造成混淆，但如果把更复杂的语句放入词袋，就会丢失大部分意思。就像自然语言查询一样，词袋并不是处理数据库查询的最佳方式。

无论语句是用形式化的编程语言（比如SQL）编写的，还是用非形式化的自然语言（如英文）编写的，当语句要表达事物之间的逻辑关系时，词序和语法都非常重要。这就是计算机语言依赖严格的语法和句法规则分析器的原因。幸运的是，自然语言句法树分析器取得了一些最新进展，使得从自然语言中提取出语法和逻辑关系变得可能，并且可以达到显著的准确率（90%以上）。

就像上面有关的问候语的case一样，即使一条语句的逻辑解释并不依赖词序，有时关注词序也可以得到一些十分微妙的相关意义的暗示，这些意义可以辅助更深层次的回复。