劉衛(wèi)國(guó)，李 晨

（中南大學(xué) 信息科學(xué)與工程學(xué)院，湖南 長(zhǎng)沙 410083）

0 引言

Python語(yǔ)言不僅語(yǔ)法優(yōu)雅、清晰、簡(jiǎn)潔，而且具有大量的第三方函數(shù)模塊庫(kù)，很適合作為程序設(shè)計(jì)入門語(yǔ)言，對(duì)學(xué)科交叉應(yīng)用也很有幫助[1-2]。

NLTK模塊是Python常用的自然語(yǔ)言處理（Natural Language Process，NLP）工具，能方便快捷地處理自然語(yǔ)言文本。NLTK模塊中有用于處理自然語(yǔ)言任務(wù)的函數(shù)，與Python其他第三方模塊庫(kù)進(jìn)行協(xié)同操作，能對(duì)處理結(jié)果進(jìn)行二次處理。此外，NLTK包含豐富的語(yǔ)料庫(kù)，這些語(yǔ)料資源在教育學(xué)、文學(xué)、史學(xué)等領(lǐng)域均有應(yīng)用[3]。

在管理、英語(yǔ)、法學(xué)等文科類專業(yè)程序設(shè)計(jì)教學(xué)中，利用NLTK模塊并結(jié)合其他第三方模塊，可以設(shè)計(jì)適合教學(xué)需要的應(yīng)用案例[4]。在Python程序設(shè)計(jì)教學(xué)中，結(jié)合專業(yè)應(yīng)用案例進(jìn)行教學(xué)，能培養(yǎng)學(xué)生的學(xué)習(xí)興趣，引導(dǎo)學(xué)生將Python應(yīng)用到專業(yè)領(lǐng)域中。

1 就職演說語(yǔ)料庫(kù)文本內(nèi)容提取與統(tǒng)計(jì)案例分析

筆者以就職演說語(yǔ)料庫(kù)（Inaugural Address Corpus）作為英文研究對(duì)象進(jìn)行分析，從中挖掘詞句結(jié)果及高頻詞，以此論證挖掘出來的結(jié)果與語(yǔ)料庫(kù)主題的相關(guān)性。就職演說語(yǔ)料庫(kù)包含1789—2009年美國(guó)歷任總統(tǒng)就職演講，共55個(gè)文本，總詞匯數(shù)為145 735個(gè)。語(yǔ)料庫(kù)以演說年代作為標(biāo)準(zhǔn)區(qū)分，演說年代對(duì)應(yīng)獨(dú)立的子文本。本案例使用到的NLTK知識(shí)點(diǎn)包括語(yǔ)料庫(kù)的調(diào)用、分詞分塊處理、停用詞的信息過濾、頻率統(tǒng)計(jì)類函數(shù)的應(yīng)用[5]以及NLTK與Matplotlib模塊的協(xié)同作用。案例流程見圖1。

圖1 就職演說語(yǔ)料庫(kù)案例流程圖

1.1 語(yǔ)料庫(kù)獲取與預(yù)處理

本案例使用的語(yǔ)料庫(kù)來源于NLTK的語(yǔ)料庫(kù)，導(dǎo)入NLTK模塊即可調(diào)用。使用NLTK計(jì)算文本長(zhǎng)度的內(nèi)置函數(shù)len()計(jì)算詞匯豐富度T值。詞匯豐富度是用于分析文本中詞匯出現(xiàn)的多寡，反映文本詞匯的總體使用情況。就職演說語(yǔ)料庫(kù)的詞匯豐富度為6.692%，T值越大說明文本詞匯豐富度越大，對(duì)文本詞匯的使用情況得到數(shù)字上直觀的展示。

文本預(yù)處理是對(duì)文本進(jìn)行簡(jiǎn)單處理的過程，本案例的預(yù)處理過程包括清洗過濾與詞形還原。首先過濾文本中無實(shí)際含義的停用詞、符號(hào)，英文詞匯有單復(fù)數(shù)、時(shí)態(tài)等不同形態(tài)，如果不進(jìn)行詞形還原，統(tǒng)計(jì)結(jié)果會(huì)存在很大的偏差。

清洗過濾通過調(diào)用停用詞語(yǔ)料庫(kù)完成，首先將文本中詞匯使用lower()方法統(tǒng)一歸并為小寫，導(dǎo)入NLTK的英文停用詞語(yǔ)料庫(kù)，提取就職演說語(yǔ)料庫(kù)包含且停用詞語(yǔ)料庫(kù)不包含的詞匯。詞形還原通過編寫函數(shù)實(shí)現(xiàn)將復(fù)數(shù)單詞轉(zhuǎn)化為單數(shù)，根據(jù)預(yù)先定義好單詞的單復(fù)數(shù)轉(zhuǎn)換規(guī)則，對(duì)輸入單詞的末尾字母作選擇判斷，將輸入的單詞末尾字母轉(zhuǎn)換為單數(shù)形式的后綴。使用到的知識(shí)點(diǎn)有判斷結(jié)構(gòu)if-else語(yǔ)句、詞匯運(yùn)算符word.endswith()。具體代碼如下：

1.2 分析與統(tǒng)計(jì)

分析階段是抽取過程的核心，涉及文本的一系列處理操作。使用的方法有同語(yǔ)境詞提取、雙連詞提取、上下文提取、詞性標(biāo)注以及統(tǒng)計(jì)分析，其中統(tǒng)計(jì)分析是最常使用的工具。

NLTK中使用函數(shù)similar()查找與目標(biāo)詞匯出現(xiàn)在相似上下文位置的詞，即在文本中可用作替換的詞匯。在美國(guó)作家梅爾維爾所寫的《白鯨記》中尋找名詞的同語(yǔ)境詞，小說講述的是主人公亞哈船長(zhǎng)與一頭白鯨的故事，使用text.similar("captain")找到以下同語(yǔ)境詞：whale ship sea boat deck world other devil wind body mate crew air head，可以發(fā)現(xiàn)得到的詞匯與目標(biāo)詞匯詞性均為名詞。

雙連詞搭配提取是在文本中檢索得到頻繁出現(xiàn)的雙連詞以及文本中的固定搭配。例如在古騰堡語(yǔ)料庫(kù)中調(diào)用《哈姆雷特》提取雙連詞搭配,具體代碼如下：

NLTK有兩個(gè)方法可以實(shí)現(xiàn)目標(biāo)詞匯的上下文輸出，使用concordance()對(duì)目標(biāo)詞匯所在的句子進(jìn)行檢索輸出，common_text查找詞匯集合的相同臨近詞匯，例如text2.common_contexts(["monstrous","very"])得到結(jié)果“a_pretty am_glad a_lucky is_pretty be_glad”，其中a_lucky表示a monstrous lucky與a very lucky。

詞性標(biāo)注（Part-of-Speech Tagging, POS tagging）將分詞處理后的詞匯按詞性（POS）分類并標(biāo)注的過程。在詞性分析階段使用NLTK內(nèi)置的詞性標(biāo)注器（POS tagger），處理一個(gè)詞序列，為每個(gè)詞附加一個(gè)詞性標(biāo)記。詞性標(biāo)注可以幫助分析句子成分，劃分句子結(jié)構(gòu)。

概率統(tǒng)計(jì)作為NLTK中最常用的數(shù)學(xué)分析手段，用于文本中數(shù)據(jù)的處理分析。在Python中借助NLTK頻率分布類中定義的計(jì)算頻率的函數(shù)，對(duì)文本出現(xiàn)的單詞、搭配、常用表達(dá)或符號(hào)進(jìn)行統(tǒng)計(jì)詞頻、詞長(zhǎng)等相關(guān)操作。代碼如下：

1.3 結(jié)果展示與總結(jié)

利用停用詞語(yǔ)料庫(kù)得到的高頻詞集，部分統(tǒng)計(jì)結(jié)果為[('government',593),('people', 563),('state s',329),('world',329)]，括號(hào)內(nèi)數(shù)字為高頻詞在文本中出現(xiàn)的次數(shù)。

對(duì)語(yǔ)料庫(kù)雙連詞搭配提?。?/p>

nltk.Text(nltk.corpus.inaugural.words()).collocations()

部分結(jié)果如下：

United States; fellow citizens; American people。

對(duì)出現(xiàn)詞頻最高的詞匯“government”的同語(yǔ)境詞進(jìn)行提取：

nltk.Text(nltk.corpus.inaugural.words()).similar("government")

部分結(jié)果如下：

people country union nation constitution power peace。

對(duì)高頻詞數(shù)據(jù)可視化，將結(jié)果轉(zhuǎn)化為詞頻折線統(tǒng)計(jì)圖、離散圖以及關(guān)鍵詞對(duì)比折線圖，分別見圖2—圖4。

圖2 頻率折線圖

圖3 離散圖

圖2折線圖是以高頻詞集作為數(shù)據(jù)來源進(jìn)行可視化，橫軸為詞匯，縱軸為出現(xiàn)的次數(shù)。

圖3離散圖是用于展示詞匯在文本中出現(xiàn)的位置，發(fā)現(xiàn)“people”一詞在文本中出現(xiàn)密集而“democracy”則較稀疏，僅在后半部分出現(xiàn)較多。結(jié)合就職演說語(yǔ)料庫(kù)文本按時(shí)間順序排列的結(jié)構(gòu)，可以看出不同演講用詞隨時(shí)間在使用頻率上顯著的差異。

圖4關(guān)鍵詞頻率折線圖是對(duì)不同年代美國(guó)總統(tǒng)在就職演講中使用“economy”“politics”兩個(gè)詞的頻率結(jié)果進(jìn)行可視化輸出?？梢钥吹健癳conomy”一詞在“1925”“1958”兩個(gè)文本中達(dá)到峰值。

2 十九大報(bào)告高頻詞可視化統(tǒng)計(jì)分析

NLTK的主要適用場(chǎng)景是英文，在處理中文文本時(shí)需要安裝中文分詞工具包并進(jìn)行字符轉(zhuǎn)換。本文選擇十九大報(bào)告作為中文分析素材，使用Jieba作為分詞處理工具[6]。本案例采用Beautiful Soup模塊對(duì)網(wǎng)頁(yè)上的案例文本進(jìn)行爬取，Beautiful Soup是Python中用于網(wǎng)絡(luò)爬蟲的第三方模塊，它可以提供一些簡(jiǎn)單的函數(shù)提取網(wǎng)頁(yè)中的內(nèi)容。

2.1 具體操作

本案例將爬取后的文本內(nèi)容保存在TXT文件中，首先對(duì)爬取得到的素材文件過濾標(biāo)點(diǎn)符號(hào)、數(shù)字與停用詞等，對(duì)全文內(nèi)容進(jìn)行詞性標(biāo)注。分析過程中使用同語(yǔ)境詞查找、關(guān)鍵詞所在句子輸出等方法，使用概率統(tǒng)計(jì)對(duì)高頻出現(xiàn)的詞匯進(jìn)行查找輸出，最后導(dǎo)入Wordcloud模塊實(shí)現(xiàn)詞云可視化，展示統(tǒng)計(jì)分析結(jié)果。案例實(shí)現(xiàn)具體代碼如下：

2.2 結(jié)果展示與分析

將案例運(yùn)行結(jié)果打印并可視化，得到十九大報(bào)告高頻詞折線圖、名詞高頻詞折線圖、離散圖、詞云展示結(jié)果見圖5—圖8。

圖5 十九大報(bào)告高頻詞折線圖

圖6 名詞高頻詞折線圖

圖7 離散圖

圖8 高頻詞詞云展示

從圖5中可以發(fā)現(xiàn)“發(fā)展”“中國(guó)”“人民”是報(bào)告中頻率最高的3個(gè)詞。在高頻詞中利用詞性標(biāo)注結(jié)果篩選出名詞高頻詞，得到圖6名詞高頻詞折線圖，圖7離散圖用于展示目標(biāo)詞匯在文本中所處位置，每一個(gè)豎線代表一個(gè)詞匯在十九大報(bào)告中出現(xiàn)的位置，從圖7中可以發(fā)現(xiàn)“人民”在報(bào)告中的各個(gè)位置均有分布，與其他詞匯相比出現(xiàn)位置最為密集。圖8選擇部分高頻詞匯以詞云的形式展示統(tǒng)計(jì)結(jié)果，增強(qiáng)了結(jié)果可視化的藝術(shù)性。

3 結(jié)語(yǔ)

本文選擇中文、英文兩篇素材的分析進(jìn)行教學(xué)案例設(shè)計(jì)，利用NLTK模塊和其他第三方模塊的一系列方法，從素材中提取詞句結(jié)果，完成有效信息查找與提取、統(tǒng)計(jì)分析以及詞頻可視化展示。教學(xué)案例結(jié)合文科類專業(yè)的特點(diǎn)，綜合運(yùn)用Python程序設(shè)計(jì)方法和第三方模塊的功能，既體現(xiàn)了Python程序設(shè)計(jì)的特點(diǎn)和規(guī)律，又能更好地促進(jìn)計(jì)算機(jī)在不同學(xué)科的交叉應(yīng)用。文科類專業(yè)程序設(shè)計(jì)教學(xué)更需要直觀、具體的教學(xué)展示，利用案例組織教學(xué)，讓學(xué)生在邊學(xué)邊做中建立學(xué)習(xí)興趣，培養(yǎng)學(xué)習(xí)熱情，能獲得更好的教學(xué)效果。