[[265146]]

學習自然語言處理的基礎知識并探索兩個有用的 Python 包。

自然語言處理（NLP）是機器學習的一種，它解決了口語或書面語言和計算機輔助分析這些語言之間的相關性。日常生活中我們經歷了無數的 NLP 創新，從寫作幫助和建議到實時語音翻譯，還有口譯。

本文研究了 NLP 的一個特定領域：情感分析。重點是確定輸入語言的積極、消極或中性性質。本部分將解釋 NLP 和情感分析的背景，并探討兩個開源的 Python 包。第 2 部分將演示如何開始構建自己的可擴展情感分析服務。

在學習情感分析時，對 NLP 有一個大體了解是有幫助的。本文不會深入研究數學本質。相反，我們的目標是闡明 NLP 中的關鍵概念，這些概念對于將這些方法實際結合到你的解決方案中至關重要。

自然語言和文本數據

合理的起點是從定義開始：“什么是自然語言？”它是我們人類相互交流的方式，溝通的主要方式是口語和文字。我們可以更進一步，只關注文本交流。畢竟，生活在 Siri、Alexa 等無處不在的時代，我們知道語音是一組與文本無關的計算。

數據前景和挑戰

我們只考慮使用文本數據，我們可以對語言和文本做什么呢？首先是語言，特別是英語，除了規則還有很多例外，含義的多樣性和語境差異，這些都可能使人類口譯員感到困惑，更不用說計算機翻譯了。在小學，我們學習文章和標點符號，通過講母語，我們獲得了尋找直覺上表示唯一意義的詞的能力。比如，出現諸如 “a”、“the” 和 “or” 之類的文章，它們在 NLP 中被稱為停止詞，因為傳統上 NLP 算法是在一個序列中找到這些詞時意味著搜索停止。

由于我們的目標是自動將文本分類為情感類，因此我們需要一種以計算方式處理文本數據的方法。因此，我們必須考慮如何向機器表示文本數據。眾所周知，利用和解釋語言的規則很復雜，輸入文本的大小和結構可能會有很大差異。我們需要將文本數據轉換為數字數據，這是機器和數學的***方式。這種轉變屬于特征提取的范疇。

在提取輸入文本數據的數字表示形式后，一個改進可能是：給定一個文本輸入體，為上面列出的文章確定一組向量統計數據，并根據這些數據對文檔進行分類。例如，過多的副詞可能會使撰稿人感到憤怒，或者過度使用停止詞可能有助于識別帶有內容填充的學期論文。誠然，這可能與我們情感分析的目標沒有太大關系。

詞袋

當你評估一個文本陳述是積極還是消極的時候，你使用哪些上下文來評估它的極性？（例如，文本中是否具有積極的、消極的或中性的情感）一種方式是隱含形容詞：被稱為 “disgusting”（惡心） 的東西被認為是消極的，但如果同樣的東西被稱為 “beautiful”（漂亮），你會認為它是積極的。從定義上講，俗語給人一種熟悉感，通常是積極的，而臟話可能是敵意的表現。文本數據也可以包括表情符號，它帶有固定的情感。

理解單個單詞的極性影響為文本的詞袋bag-of-words（BoW）模型提供了基礎。它分析一組單詞或詞匯表，并提取關于這些單詞在輸入文本中是否存在的度量。詞匯表是通過處理已知極性的文本形成稱為標記的訓練數據。從這組標記數據中提取特征，然后分析特征之間的關系，并將標記與數據關聯起來。

“詞袋”這個名稱說明了它的用途：即不考慮空間位置或上下文的的單個詞。詞匯表通常是由訓練集中出現的所有單詞構建的，訓練后往往會被修剪。如果在訓練之前沒有清理停止詞，那么停止詞會因為其高頻率和低語境而被移除。很少使用的單詞也可以刪除，因為缺乏為一般輸入實例提供的信息。

但是，重要的是要注意，你可以（并且應該）進一步考慮單詞在單個訓練數據實例之外的情形，這稱為詞頻term frequency（TF）。你還應該考慮輸入數據在所有訓練實例中的單詞計數，通常，出現在所有文檔中的低頻詞更重要，這被稱為逆文本頻率指數inverse document frequency（IDF）。這些指標一定會在本主題系列的其他文章和軟件包中提及，因此了解它們會有所幫助。

詞袋在許多文檔分類應用程序中很有用。然而，在情感分析中，當缺乏情境意識的問題被利用時，事情就可以解決。考慮以下句子：

• 我們不喜歡這場戰爭。
• 我討厭下雨天，好事是今天是晴天。
• 這不是生死攸關的問題。

這些短語的情感對于人類口譯員來說是有難度的，而且通過嚴格關注單個詞匯的實例，對于機器翻譯來說也是困難的。

在 NLP 中也可以使用稱為 “n-grams” 的單詞分組。一個二元組考慮兩個相鄰單詞組成的組而不是（或除了）單個詞袋。這應該可以緩解諸如上述“不喜歡”之類的情況，但由于缺乏語境意思，它仍然是個問題。此外，在上面的第二句中，下半句的情感語境可以被理解為否定前半部分。因此，這種方法中也會丟失上下文線索的空間局部性。從實用角度來看，使問題復雜化的是從給定輸入文本中提取的特征的稀疏性。對于一個完整的大型詞匯表，每個單詞都有一個計數，可以將其視為一個整數向量。大多數文檔的向量中都有大量的零計數向量，這給操作增加了不必要的空間和時間復雜度。雖然已經提出了許多用于降低這種復雜性的簡便方法，但它仍然是一個問題。

詞嵌入

詞嵌入Word embedding是一種分布式表示，它允許具有相似含義的單詞具有相似的表示。這是基于使用實值向量來與它們周圍相關聯。重點在于使用單詞的方式，而不僅僅是它們的存在與否。此外，詞嵌入的一個巨大實用優勢是它們關注于密集向量。通過擺脫具有相應數量的零值向量元素的單詞計數模型，詞嵌入在時間和存儲方面提供了一個更有效的計算范例。

以下是兩個優秀的詞嵌入方法。

Word2vec

***個是 Word2vec，它是由 Google 開發的。隨著你對 NLP 和情緒分析研究的深入，你可能會看到這種嵌入方法。它要么使用一個連續的詞袋continuous bag of words（CBOW），要么使用一個連續 skip-gram 模型。在 CBOW 中，一個單詞的上下文是在訓練中根據圍繞它的單詞來學習的。連續 skip-gram 學習傾向于圍繞給定的單詞學習單詞。雖然這可能超出了你需要解決的問題，但是如果你曾經面對必須生成自己的詞嵌入情況，那么 Word2vec 的作者就提倡使用 CBOW 方法來提高速度并評估頻繁的單詞，而 skip-gram 方法更適合嵌入稀有單詞更重要的嵌入。

GloVe

第二個是用于詞表示的全局向量Global Vectors for Word Representation（GloVe），它是斯坦福大學開發的。它是 Word2vec 方法的擴展，試圖通過將經典的全局文本統計特征提取獲得的信息與 Word2vec 確定的本地上下文信息相結合。實際上，在一些應用程序中，GloVe 性能優于 Word2vec，而在另一些應用程序中則不如 Word2vec。最終，用于詞嵌入的目標數據集將決定哪種方法***。因此，***了解它們的存在性和高級機制，因為你很可能會遇到它們。

創建和使用詞嵌入

***，知道如何獲得詞嵌入是有用的。在第 2 部分中，你將看到我們通過利用社區中其他人的實質性工作，站到了巨人的肩膀上。這是獲取詞嵌入的一種方法：即使用現有的經過訓練和驗證的模型。實際上，有無數的模型適用于英語和其他語言，一定會有一種模型可以滿足你的應用程序，讓你開箱即用！

如果沒有的話，就開發工作而言，另一個極端是培訓你自己的獨立模型，而不考慮你的應用程序。實質上，你將獲得大量標記的訓練數據，并可能使用上述方法之一來訓練模型。即使這樣，你仍然只是在理解你輸入文本數據。然后，你需要為你應用程序開發一個特定的模型（例如，分析軟件版本控制消息中的情感價值），這反過來又需要自己的時間和精力。

你還可以對針對你的應用程序的數據訓練一個詞嵌入，雖然這可以減少時間和精力，但這個詞嵌入將是特定于應用程序的，這將會降低它的可重用性。

可用的工具選項

考慮到所需的大量時間和計算能力，你可能想知道如何才能找到解決問題的方法。的確，開發可靠模型的復雜性可能令人望而生畏。但是，有一個好消息：已經有許多經過驗證的模型、工具和軟件庫可以為我們提供所需的大部分內容。我們將重點關注 Python，因為它為這些應用程序提供了大量方便的工具。

SpaCy

SpaCy 提供了許多用于解析輸入文本數據和提取特征的語言模型。它經過了高度優化，并被譽為同類中最快的庫。最棒的是，它是開源的！SpaCy 會執行標識化、詞性分類和依賴項注釋。它包含了用于執行此功能的詞嵌入模型，還有用于為超過 46 種語言的其他特征提取操作。在本系列的第二篇文章中，你將看到它如何用于文本分析和特征提取。

vaderSentiment

vaderSentiment 包提供了積極、消極和中性情緒的衡量標準。正如 原論文 的標題（《VADER：一個基于規則的社交媒體文本情感分析模型》）所示，這些模型是專門為社交媒體文本數據開發和調整的。VADER 接受了一組完整的人類標記過的數據的訓練，包括常見的表情符號、UTF-8 編碼的表情符號以及口語術語和縮寫（例如 meh、lol、sux）。

對于給定的輸入文本數據，vaderSentiment 返回一個極性分數百分比的三元組。它還提供了一個單個的評分標準，稱為 vaderSentiment 復合指標。這是一個在 [-1, 1] 范圍內的實值，其中對于分值大于 0.05 的情緒被認為是積極的，對于分值小于 -0.05 的被認為是消極的，否則為中性。