命名实体识别的两种方法

作者 | Walker

编辑 | 磐石

出品 | 磐创AI技术团队

【磐创AI导读】：本文主要介绍自然语言处理中的经典问题——命名实体识别的两种方法。想要学习更多的机器学习知识，欢迎大家点击上方蓝字关注我们的公众号：磐创AI。

一 、什么是命名实体识别？

命名实体识别（Named Entity Recognition，简称NER），又称作“专名识别”，是指识别文本中具有特定意义的实体，主要包括人名、地名、机构名、专有名词等。通常包括两部分：（1）实体边界识别；（2） 确定实体类别（人名、地名、机构名或其他）。

命名实体识别通常是知识挖掘、信息抽取的第一步，被广泛应用在自然语言处理领域。接下来，我们将介绍常用的两种命名实体识别的方法。

二 、基于NLTK的命名实体识别：

NLTK：由宾夕法尼亚大学计算机和信息科学使用python语言实现的一种自然语言工具包，其收集的大量公开数据集、模型上提供了全面、易用的接口，涵盖了分词、词性标注(Part-Of-Speech tag, POS-tag)、命名实体识别(Named Entity Recognition, NER)、句法分析(Syntactic Parse)等各项NLP领域的功能。

使用前需要先下载NLTK，下载地址为：http://pypi.python.org/pypi/nltk，安装完成后,在python环境下输入import nltk测试是否安装成功，然后输入nltk.download()下载nltk所需要的数据包，完成安装。

Python代码实现（注意文件的编码格式为utf-8无BOM格式）：

# -*- coding: utf-8 -*-
import sys
reload(sys)
sys.setdefaultencoding('utf8')    #让cmd识别正确的编码
import nltk
newfile = open('news.txt')
text = newfile.read()  #读取文件
tokens = nltk.word_tokenize(text)  #分词
tagged = nltk.pos_tag(tokens)  #词性标注
entities = nltk.chunk.ne_chunk(tagged)  #命名实体识别
a1=str(entities) #将文件转换为字符串
file_object = open('out.txt', 'w')  
file_object.write(a1)   #写入到文件中
file_object.close( )
print entities

具体的方法可参考NLTK官网介绍：http://www.nltk.org/，输出的结果为：

>>> entities = nltk.chunk.ne_chunk(tagged)
>>> entities
Tree('S', [('At', 'IN'), ('eight', 'CD'), ("o'clock", 'JJ'),
           ('on', 'IN'), ('Thursday', 'NNP'), ('morning', 'NN'),
       Tree('PERSON', [('Arthur', 'NNP')]),
           ('did', 'VBD'), ("n't", 'RB'), ('feel', 'VB'),
           ('very', 'RB'), ('good', 'JJ'), ('.', '.')])

当然为了方便查看，我们可以以树结构的形式把结果绘制出来：

>>> from nltk.corpus import treebank
>>> t = treebank.parsed_sents('wsj_0001.mrg')[0]
>>> t.draw()

三 、基于Stanford的NER：

Stanford Named Entity Recognizer (NER)是斯坦福大学自然语言研究小组发布的成果之一，主页是：http://nlp.stanford.edu/software/CRF-NER.shtml。Stanford NER 是一个Java实现的命名实体识别（以下简称NER）)程序。NER将文本中的实体按类标记出来，例如人名，公司名，地区，基因和蛋白质的名字等。

NER基于一个训练而得的Model（模型可识别出 Time, Location, Organization, Person, Money, Percent, Date）七类属性，其用于训练的数据即大量人工标记好的文本，理论上用于训练的数据量越大，NER的识别效果就越好。

因为原始的NER是基于java实现的，所以在使用Python编程之前，要确保自己电脑上已经安装了jar1.8的环境（否则会报关于Socket的错误）。

然后我们使用Pyner使用python语言实现命名实体识别。下载地址为：https://github.com/dat/pyner

安装Pyner:解压下载的Pyner，命令行中将工作目录切换到Pyner文件夹下， 输入命令 :python setup.py install 完成安装.

接下来，还需要下载StanfordNER工具包，下载地址为：http://nlp.stanford.edu/software/stanford-ner-2014-01-04.zip，然后在解压后的目录打开cmd命令窗体，执行：

java -mx1000m -cp stanford-ner.jar edu.stanford.nlp.ie.NERServer -loadClassifier classifiers/english.muc.7class.distsim.crf.ser.gz -port 8080 -outputFormat inlineXML

直到结果为：

Loading classifier from classifiers/english.muc.7class.distsim.crf.ser.gz ... done [1.2 sec].

以上操作是因为斯坦福的命名实体识别是基于java的socket写的，所以必要保证有一个窗题与我们执行的命令通信。关于java的socket编程，可以参考以下文章：http://www.cnblogs.com/rond/p/3565113.html

最后，我们终于可以使用python编程实现NER了：

import ner
import sys
import nltk
reload(sys)
sys.setdefaultencoding('utf8')
newfile = open('news.txt')
text = newfile.read()
tagger = ner.SocketNER(host='localhost', port=8080)#socket编程
result=tagger.get_entities(text)   #stanford实现NER
a1=str(result)
file_object = open('outfile.txt', 'w')
file_object.write(a1)
file_object.close( )
print result

以上是我对文本文件进行的测试，官网的案例https://github.com/dat/pyner运行结果为：

>>> import ner
>>> tagger = ner.SocketNER(host='localhost', port=8080)
>>> tagger.get_entities("University of California is located in California, United States")
{'LOCATION': ['California', 'United States'],
 'ORGANIZATION': ['University of California']}
四 、两种方法的比较：

我拿同一个文本文件用两种方法进行命名实体识别，结果如下：

图1 NLTK运行结果

图2 Stanford方式运行结果

比较两种方式，我们可以发现，NLTK下的命名实体识别更加倾向于分词和词性标准，虽然它也会将组织名，人名，地名等标注出来，但由于它把文件中的谓语，宾语等成分也标注了出来，造成了输出文本的冗余性，不利于读者很好的识别命名实体，需要我们对文本做进一步处理。NLTK下的命名实体识别的有点时，可以使用NLTK下的treebank包将文本绘制为树形，使结果更加清晰易读。相较而言，我更加倾向于Stanford的命名实体识别，它可以把Time, Location, Organization, Person, Money, Percent, Date七类实体很清晰的标注出来，而没有多余的词性。但由于NER是基于java开发的，所以在用python实现时可能由于jar包或是路径问题出现很多bug。

以上就是关于NLTK和stanford对英文文本的命名实体识别，关于自然语言处理中文文件，我们可以考虑jieba分词：https://www.oschina.net/p/jieba。

【总结】：命名实体识别是构建知识图谱、进行自然语言处理问题的第一步，本文总结了现有的处理命名实体识别问题的两种方法，你掌握了吗？