「英文词组」分词问题

[BarryLu]

之前已经有一个提问了： https://www.v2ex.com/t/340752#reply13

关于这个问题搜索了挺久还不是很明白，于是开了这个帖子。

我想做英文词组分词（可能不这么叫），比如 I love New York，我希望分词出来的是 I / love / New York，而不是：I / love / New / York 。New York 分开原本的意思就变了。

中文分词有非常多的工具，比如结巴（ https://github.com/fxsjy/jieba ），但是找英文词组分词工具就非常难（我甚至不知道用什么单词去搜索，比如是 Tokenizer 、Chunking 、还是 text segmentation ），请问英文有没有比较方便可以直接分词的工具。

---

比如斯坦福的 stanza （ https://github.com/stanfordnlp/stanza ） 可以用于分词。中文分词结果没问题，但是英文只是按照空格做分词。

text = """英国首相约翰逊 6 日晚因病情恶化。"""

zh_nlp = stanza.Pipeline('zh')
doc = zh_nlp(text)

for sent in doc.sentences:
  print("Sentence：" + sent.text) # 断句
  print("Tokenize：" + ' '.join(token.text for token in sent.tokens)) # 中文分词

它的输出结果是分词后的结果，这没问题：

Tokenize：英国 首相 约翰逊 6 日 晚因 病情 恶化 ， 被 转入 重症 监护 室 治疗 。

但是英文分词：

import stanza

nlp = stanza.Pipeline(lang='en', processors='tokenize', tokenize_no_ssplit=True)
doc = nlp('This is a sentence.\n\nThis is a second. This is a third.')
for i, sentence in enumerate(doc.sentences):
    print(f'====== Sentence {i+1} tokens =======')
    print(*[f'id: {token.id}\ttext: {token.text}' for token in sentence.tokens], sep='\n')

输出结果为：

====== Sentence 1 tokens =======
id: (1,)	text: This
id: (2,)	text: is
id: (3,)	text: a
id: (4,)	text: sentence
id: (5,)	text: .
====== Sentence 2 tokens =======
id: (1,)	text: This
id: (2,)	text: is
id: (3,)	text: a
id: (4,)	text: second
id: (5,)	text: .
id: (6,)	text: This
id: (7,)	text: is
id: (8,)	text: a
id: (9,)	text: third
id: (10,)	text: .

[heiheidewo]

自己写一个吧，一般分词是按双向最长匹配来的，你把 New York 当做一个词处理即可

[TimePPT]

没明白，你举的 stanza 用 en pipeline 分出来哪里不对吗？

[chizuo]

可以试试 nltk/spacy 这类库，一般以 word-level 为级别的分词，很难避免你说的这个问题。你可以试试 sub-word level 以及结合 named entity 、pos_tag 这类判断

以 nlp tokenizer segmenter 为关键词看看相关论文

[BarryLu]

@TimePPT 想说的是，Stanza 的英文分词只是按照空格分开的，但是中文是 “真正分词”。另外比如 Tensorflow Keras 的英文分词（ Tokenizer ）也只是按照空格分开，现成的，做到类似于中文分词的「英文分词」工具，没找到。。。

[BarryLu]

@heiheidewo 自己写 😭 很有难度。另外如果需要处理一大批数据，我也不知道里面到底有多少「名词」不应该分开。

[TimePPT]

@BarryLu 很难做，LS 也提到了，通过 NER 之类的可以做到一部分，或者直接拿词典匹配。但没法完全避免。
另外，其实中文分词颗粒度问题更难，根据业务需要要微调的。

[mxalbert1996]

英文里这种情况本来就很少，其中很大一部分都是专有名词，其实没太大影响，而且现在 NLP 都是 RNN，能识别前后关系，就更无所谓了。

[jhdxr]

其实你要的并不是分词，比如 I want to have a cup of green apple juice.
在你定义的『分词』中，green apple juice 是一个『词』还是多个词？

如果你认为那是一个词，那你可以考虑 syntax parsing
如果你认为那是多个词，那我猜你想要的其实是识别专有名词（请尝试分词中文：『南京市长江大桥』），可以考虑 NER/NEM

[Merlini]

这种一般是需要知识图谱辅助的，或者就直接用训练好的 NER 。比如 Spacy 的 NER:
```python
import spacy

nlp = spacy.load("en_core_web_sm")
doc = nlp("Apple is looking at buying U.K. startup for $1 billion")

for ent in doc.ents:
print(ent.text, ent.start_char, ent.end_char, ent.label_)
```



https://spacy.io/usage/linguistic-features#named-entities-101

[yucongo]

不知道楼主有没有找到解决方法？找到了话能不能分享一下？

如果只是对名词词组感兴趣，spacy/textaxy/textblob 里的 noun_chunks/noun phrases/NER 或许有用。但我也是希望能像 jieba 做中文分词那样将英语句子分成有意义的词组，例如：A match / is / a tool / for starting / a fire. Typically, / modern matches / are made of / small wooden sticks or stiff paper.

搜了一下，好像没有现成的工具，最接近的办法可能是用 spacy 的 rule based matching 匹配出 noun phrase （比较简单，有现成的）和 verb phrase 。textacy 里有个极简的 VP 常数（'<AUX>* <ADV>* <VERB>'）。

总之，离英语“词组分词”还很远