词义消除歧义NLP项目实验
本项目主要使用https://github.com/alvations/pywsd 中的pywsd库来实现词义消除歧义
目前，该库一部分已经移植到了nltk中，为了获得更好的性能WSD，而不是使用的NLTK模块pywsd库。一般来说，从pywsd的simple_lesk()比NLTK的lesk好。当我有空时，我会尽量更新NLTK模块。在本文档中主要介绍原pywsd库的使用。
一、使用的技术：
Lesk 算法
Original Lesk (Lesk, 1986)
Adapted/Extended Lesk (Banerjee and Pederson, 2002/2003)
Simple Lesk (with definition, example(s) and hyper+hyponyms)
Cosine Lesk (use cosines to calculate overlaps instead of using raw counts)
最大化相似度 (see also, Pedersen et al. (2003))
Path similarity (Wu-Palmer, 1994; Leacock and Chodorow, 1998)
Information Content (Resnik, 1995; Jiang and Corath, 1997; Lin, 1998)
基线
Random sense
First NLTK sense
Highest lemma counts
二、使用方法：
安装：
pip install -U nltk python -m nltk.downloader 'popular' pip install -U pywsd
使用：
from pywsd.lesk import simple_lesk #引入pywsd库 sent = 'I went to the bank to deposit my money' #设定包含具有多义的词的句子 ambiguous = 'bank' #设定多义的词语 answer = simple_lesk(sent, ambiguous, pos='n') #设置answer的参数，将句子与词进行判断 print (answer.definition()) #打印出答案
三、原理
词义消岐，英文名称为Word Sense Disambiguation，英语缩写为WSD，LESK算法是词义消歧的主要算法。
LESK算法是以一种以TF-IDF为权重的频数判别算法，主要流程可以简述为：
去掉停用词
统计出该词以外的TF-IDF值
累加起来，比较多个义项下这个值的大小，值越大说明是该句子的义项
下面以NBA火箭队为示例来简要实现一下lesk算法：
import os import jieba from math import log2 # 读取每个义项的语料 def read_file(path): with open(path, 'r', encoding='utf-8') as f: lines = [_.strip() for _ in f.readlines()] return lines # 对示例句子分词 sent = '赛季初的时候，火箭是众望所归的西部决赛球队。' wsd_word = '火箭' jieba.add_word(wsd_word) sent_words = list(jieba.cut(sent, cut_all=False)) # 去掉停用词 stopwords = [wsd_word, '我', '你', '它', '他', '她', '了', '是', '的', '啊', '谁', '什么','都',\ '很', '个', '之', '人', '在', '上', '下', '左', '右', '。', '，', '！', '？'] sent_cut = [] for word in sent_words: if word not in stopwords: sent_cut.append(word) print(sent_cut) # 计算其他词的TF-IDF以及频数 wsd_dict = {} for file in os.listdir('.'): if wsd_word in file: wsd_dict[file.replace('.txt', '')] = read_file(file) # 统计每个词语在语料中出现的次数 tf_dict = {} for meaning, sents in wsd_dict.items(): tf_dict[meaning] = [] for word in sent_cut: word_count = 0 for sent in sents: example = list(jieba.cut(sent, cut_all=False)) word_count += example.count(word) if word_count: tf_dict[meaning].append((word, word_count)) idf_dict = {} for word in sent_cut: document_count = 0 for meaning, sents in wsd_dict.items(): for sent in sents: if word in sent: document_count += 1 idf_dict[word] = document_count # 输出值 total_document = 0 for meaning, sents in wsd_dict.items(): total_document += len(sents) # 计算tf_idf值 mean_tf_idf = [] for k, v in tf_dict.items(): print(k+':') tf_idf_sum = 0 for item in v: word = item[0] tf = item[1] tf_idf = item[1]*log2(total_document/(1+idf_dict[word])) tf_idf_sum += tf_idf print('%s, 频数为: %s, TF-IDF值为: %s'% (word, tf, tf_idf)) mean_tf_idf.append((k, tf_idf_sum)) sort_array = sorted(mean_tf_idf, key=lambda x:x[1], reverse=True) true_meaning = sort_array[0][0].split('_')[1] print('\n经过词义消岐，%s在该句子中的意思为 %s .' % (wsd_word, true_meaning))
结果如下：
['赛季', '初', '时候', '众望所归', '西部', '决赛', '球队'] 火箭_燃气推进装置: 初, 频数为: 2, TF-IDF值为: 12.49585502688717 火箭_NBA球队名: 赛季, 频数为: 63, TF-IDF值为: 204.6194333469459 初, 频数为: 1, TF-IDF值为: 6.247927513443585 时候, 频数为: 1, TF-IDF值为: 8.055282435501189 西部, 频数为: 16, TF-IDF值为: 80.88451896801904 决赛, 频数为: 7, TF-IDF值为: 33.13348038429679 球队, 频数为: 40, TF-IDF值为: 158.712783770034
经过词义消岐，火箭在该句子中的意思为 NBA球队名 .又如：
输入句子：三十多年前，战士们在戈壁滩白手起家，建起了我国的火箭发射基地。
['三十多年', '前', '战士', '们', '戈壁滩', '白手起家', '建起', '我国', '发射', '基地'] 火箭_燃气推进装置: 前, 频数为: 2, TF-IDF值为: 9.063440958888354 们, 频数为: 1, TF-IDF值为: 6.05528243550119 我国, 频数为: 3, TF-IDF值为: 22.410959804340102 发射, 频数为: 89, TF-IDF值为: 253.27878721862933 基地, 频数为: 7, TF-IDF值为: 42.38697704850833 火箭_NBA球队名: 前, 频数为: 3, TF-IDF值为: 13.59516143833253 们, 频数为: 1, TF-IDF值为: 6.05528243550119 经过词义消岐，火箭在该句子中的意思为 燃气推进装置 .
概述：输入的文段或者句子，之后，将分割好的该词的释义进行分割，形成几个词。而后，在每个文段和句子中计算被分割词的个数，然后算出TF-IDF的值，计算哪个TF-IDF的值最大，为更适用于该释义。
四、改进
对于代码本身，可以做到一点点进步的优化，算法上的优化可以做到更大的跨越，如http://www.doc88.com/p-9959426974439.html这篇文章提到的lesk算法的改进。
对于lesk算法的缺点，释义的判断很容易被相同TF-IDF的值误扰，即权值相同的情况。