一．什么是命名實體識別

二．基于NLTK的命名實體識別

三．基于Stanford的NER

四．【實戰案例】醫學糖尿病數據命名實體識別

一 、什么是命名實體識別？

命名實體識別（Named Entity Recognition，簡稱NER），又稱作“專名識別”，是指識別文本中具有特定意義的實體，主要包括人名、地名、機構名、專有名詞等。通常包括兩部分：（1）實體邊界識別；（2） 確定實體類別（人名、地名、機構名或其他）。

命名實體識別通常是知識挖掘、信息抽取的第一步，被廣泛應用在自然語言處理領域。接下來，我們將介紹常用的兩種命名實體識別的方法。

二 、基于NLTK的命名實體識別：

NLTK：由賓夕法尼亞大學計算機和信息科學使用python語言實現的一種自然語言工具包，其收集的大量公開數據集、模型上提供了全面、易用的接口，涵蓋了分詞、詞性標注(Part-Of-Speech tag, POS-tag)、命名實體識別(Named Entity Recognition, NER)、句法分析(Syntactic Parse)等各項NLP領域的功能。

使用前需要先下載NLTK，下載地址為：http://pypi.python.org/pypi/nltk，安裝完成后,在python環境下輸入import nltk測試是否安裝成功，然后輸入nltk.download()下載nltk所需要的數據包，完成安裝。

Python代碼實現（注意文件的編碼格式為utf-8無BOM格式）：

-- coding: utf-8 --

import sys

reload(sys)

sys.setdefaultencoding(‘utf8’) #讓cmd識別正確的編碼

import nltk

newfile = open(‘news.txt’)

text = newfile.read() #讀取文件

tokens = nltk.word_tokenize(text) #分詞

tagged = nltk.pos_tag(tokens) #詞性標注

entities = nltk.chunk.ne_chunk(tagged) #命名實體識別

a1=str(entities) #將文件轉換為字符串

file_object = open(‘out.txt’, ‘w’)

file_object.write(a1) #寫入到文件中

file_object.close( )

print entities

具體的方法可參考NLTK官網介紹：http://www.nltk.org/，輸出的結果為：

>>> 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’), (‘.’, ‘.’)])

當然為了方便查看，我們可以以樹結構的形式把結果繪制出來：

>>> 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)是斯坦福大學自然語言研究小組發布的成果之一，主頁是：http://nlp.stanford.edu/software/CRF-NER.shtml。Stanford NER 是一個Java實現的命名實體識別（以下簡稱NER）)程序。NER將文本中的實體按類標記出來，例如人名，公司名，地區，基因和蛋白質的名字等。

NER基于一個訓練而得的Model（模型可識別出 Time, Location, Organization, Person, Money, Percent, Date）七類屬性，其用于訓練的數據即大量人工標記好的文本，理論上用于訓練的數據量越大，NER的識別效果就越好。

因為原始的NER是基于java實現的，所以在使用Python編程之前，要確保自己電腦上已經安裝了jar1.8的環境（否則會報關于Socket的錯誤）。

然后我們使用Pyner使用python語言實現命名實體識別。下載地址為：https://github.com/dat/pyner

安裝Pyner:解壓下載的Pyner，命令行中將工作目錄切換到Pyner文件夾下， 輸入命令 :python setup.py install 完成安裝.

接下來，還需要下載StanfordNER工具包，下載地址為：http://nlp.stanford.edu/software/stanford-ner-2014-01-04.zip，然后在解壓后的目錄打開cmd命令窗體，執行，java -mx1000m -cp stanford-ner.jar edu.stanford.nlp.ie.NERServer -loadClassifier classifiers/english.muc.7class.distsim.crf.ser.gz -port 8080 -outputFormat inlineXML，直到結果為：Loading classifier from classifiers/english.muc.7class.distsim.crf.ser.gz … done [1.2 sec].

以上操作是因為斯坦福的命名實體識別是基于java的socket寫的，所以必要保證有一個窗題與我們執行的命令通信。最后，我們終于可以使用python編程實現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編程

result=tagger.get_entities(text) #stanford實現NER

a1=str(result)

file_object = open(‘outfile.txt’, ‘w’)

file_object.write(a1)

file_object.close( )

print result

今天的分享到這里就結束了，希望大家持續關注馬哥教育官網，每天都會有大量優質內容與大家分享!聲明;文章轉載于網絡，版權歸原作者所有，如有侵權請及時聯系刪除！