相关知识

信息抽取：从数据库中抽取信息是容易的，但对于从自然文本中抽取信息则不那么直观。通常信息抽取的流程如下图：

分块是实体识别(NER)使用的基本技术，词性标注是分块所需的最主要信息。下面以名词短语(NP)为例，展示如何分块。类似的还可以对动词短语，介词短语等进行分块。

命名实体识别（Named Entity Recognition，简称NER）用于识别文本中具有特定意义的实体。需要识别的实体可以分为三大类（实体类、时间类和数字类）和七小类（人名、机构名、地名、时间、日期、货币和百分比）。

中文命名实体识别工具（NER）哪家强？

介绍几个专门面向中文的命名实体识别和关系抽取工具

Stanford CoreNLP 命名实体识别

一、简介：

CoreNLP是Java自然语言处理的一站式服务！CoreNLP使用户能够导出文本的语言注释，包括标记和句子边界、词性、命名实体、数值和时间值、依赖和选区解析、共指、情感、引用属性和关系。CoreNLP的核心是管道。管道接收原始文本，对文本运行一系列NLP注释器，并生成最终的注释集。管道产生核心文档，包含所有注释信息的数据对象，可以通过简单的API访问，并且可以序列化到Google协议缓冲区。

中文语料模型包中有一个默认的配置文件

StanfordCoreNLP-chinese.properties 

指定pipeline的操作步骤以及对应的语料文件的位置，可以自定义配置文件，再引入代码中。实际上我们可能用不到所有的步骤，或者要使用不同的语料库，因此可以自定义配置文件，然后再引入。那在我的项目中，我就直接读取了该properties文件。（有时候我们只想使用ner功能，但不想使用其他功能，想去掉。然而，Stanford CoreNLP有一些局限，就是在ner执行之前，一定需要tokenize, ssplit, pos, lemma 的引入，大大增加了耗时。）

更多用法参见官网。

二、java版本使用

idea+maven搭建工程

1、在pom.xml 添加依赖：

<properties>
    <corenlp.version>3.9.1</corenlp.version>
</properties>

<dependencies>
    <!--CoreNLP的算法包-->
    <dependency>
        <groupId>edu.stanford.nlp</groupId>
        <artifactId>stanford-corenlp</artifactId>
        <version>${corenlp.version}</version>
    </dependency>
    <!--英文语料包-->
    <dependency>
        <groupId>edu.stanford.nlp</groupId>
        <artifactId>stanford-corenlp</artifactId>
        <version>3.9.1</version>
        <classifier>models</classifier>
    </dependency>
    <!--中文预料包-->
    <dependency>
        <groupId>edu.stanford.nlp</groupId>
        <artifactId>stanford-corenlp</artifactId>
        <version>${corenlp.version}</version>
        <classifier>models-chinese</classifier>
    </dependency>
</dependencies>

2、编写java程序

package com;

import java.util.List;
import java.util.Map;
import java.util.Properties;

import edu.stanford.nlp.coref.CorefCoreAnnotations;
import edu.stanford.nlp.coref.data.CorefChain;
import edu.stanford.nlp.ling.CoreAnnotations;
import edu.stanford.nlp.ling.CoreLabel;
import edu.stanford.nlp.pipeline.Annotation;
import edu.stanford.nlp.pipeline.StanfordCoreNLP;
import edu.stanford.nlp.semgraph.SemanticGraph;
import edu.stanford.nlp.semgraph.SemanticGraphCoreAnnotations;
import edu.stanford.nlp.trees.Tree;
import edu.stanford.nlp.trees.TreeCoreAnnotations;
import edu.stanford.nlp.util.CoreMap;
/**
 代码思想:
 将text字符串交给Stanford CoreNLP处理，
 StanfordCoreNLP的各个组件（annotator）按“tokenize（分词）, ssplit（断句）, pos（词性标注）, lemma（词元化）, ner（命名实体识别）, parse（语法分析）, dcoref（同义词分辨）”顺序进行处理。
 处理完后 List<CoreMap> sentences = document.get(SentencesAnnotation.class); 中包含了所有分析结果，遍历即可获知结果。
 **/

public class StanfordChineseNlpExample2 {
    

    public static void main(String[] args) throws  Exception {
    
        StanfordChineseNlpExample2 nlp=new StanfordChineseNlpExample2();
        nlp.test();
    }

    public void test() throws Exception {
    
        //构造一个StanfordCoreNLP对象，配置NLP的功能，如lemma是词干化，ner是命名实体识别等
        StanfordCoreNLP pipeline = new StanfordCoreNLP("StanfordCoreNLP-chinese.properties");
        String text = "袁隆平是中国科学院的院士,他于2009年10月到中国山东省东营市东营区永乐机场附近承包了一千亩盐碱地,";


        long startTime = System.currentTimeMillis();
        // 创造一个空的Annotation对象
        Annotation document = new Annotation(text);
        // 对文本进行分析
        pipeline.annotate(document);
        //获取文本处理结果
        List<CoreMap> sentences = document.get(CoreAnnotations.SentencesAnnotation.class);
        for (CoreMap sentence : sentences) {
    
            // traversing the words in the current sentence
            // a CoreLabel is a CoreMap with additional token-specific methods
            for (CoreLabel token : sentence.get(CoreAnnotations.TokensAnnotation.class)) {
    
                // 获取句子的token（可以是作为分词后的词语）
                String word = token.get(CoreAnnotations.TextAnnotation.class);
                System.out.println(word);
                //词性标注
                String pos = token.get(CoreAnnotations.PartOfSpeechAnnotation.class);
                System.out.println(pos);
                // 命名实体识别
                String ne = token.get(CoreAnnotations.NormalizedNamedEntityTagAnnotation.class);
                String ner = token.get(CoreAnnotations.NamedEntityTagAnnotation.class);
                System.out.println(word + " | analysis : {  original : " + ner + "," + " normalized : "
                        + ne + "}");
                //词干化处理
                String lema = token.get(CoreAnnotations.LemmaAnnotation.class);
                System.out.println(lema);
            }

            // 句子的解析树
            Tree tree = sentence.get(TreeCoreAnnotations.TreeAnnotation.class);
            System.out.println("句子的解析树:");
            tree.pennPrint();

            // 句子的依赖图
            SemanticGraph graph =
                    sentence.get(SemanticGraphCoreAnnotations.CollapsedCCProcessedDependenciesAnnotation.class);
            System.out.println("句子的依赖图");
            System.out.println(graph.toString(SemanticGraph.OutputFormat.LIST));
        }

        long endTime = System.currentTimeMillis();
        long time = endTime - startTime;
        System.out.println("The analysis lasts " + time + " seconds * 1000");

        // 指代词链
        // 每条链保存指代的集合
        // 句子和偏移量都从1开始
        Map<Integer, CorefChain> corefChains = document.get(CorefCoreAnnotations.CorefChainAnnotation.class);
        if (corefChains == null) {
    
            return;
        }
        for (Map.Entry<Integer, CorefChain> entry : corefChains.entrySet()) {
    
            System.out.println("Chain " + entry.getKey() + " ");
            for (CorefChain.CorefMention m : entry.getValue().getMentionsInTextualOrder()) {
    
                // We need to subtract one since the indices count from 1 but the Lists start from 0
                List<CoreLabel> tokens = sentences.get(m.sentNum - 1).get(CoreAnnotations.TokensAnnotation.class);
                // We subtract two for end: one for 0-based indexing, and one because we want last token of mention
                // not one following.
                System.out.println(
                        "  " + m + ", i.e., 0-based character offsets [" + tokens.get(m.startIndex - 1).beginPosition()
                                +
                                ", " + tokens.get(m.endIndex - 2).endPosition() + ")");
            }
        }
    }
}

实体识别结果：

袁隆平 | analysis : {
      original : PERSON, normalized : null}
是 | analysis : {
      original : O, normalized : null}
中国 | analysis : {
      original : ORGANIZATION, normalized : null}
科学院 | analysis : {
      original : ORGANIZATION, normalized : null}
的 | analysis : {
      original : O, normalized : null}
院士 | analysis : {
      original : TITLE, normalized : null}
, | analysis : {
      original : O, normalized : null}
他 | analysis : {
      original : O, normalized : null}
于 | analysis : {
      original : O, normalized : null}
2009年 | analysis : {
      original : DATE, normalized : 2009-10-XX}
10月 | analysis : {
      original : DATE, normalized : 2009-10-XX}
到 | analysis : {
      original : O, normalized : null}
中国 | analysis : {
      original : COUNTRY, normalized : null}
山东省 | analysis : {
      original : STATE_OR_PROVINCE, normalized : null}
东营市 | analysis : {
      original : CITY, normalized : null}
东营区 | analysis : {
      original : FACILITY, normalized : null}
永乐 | analysis : {
      original : FACILITY, normalized : null}
机场 | analysis : {
      original : FACILITY, normalized : null}
附近 | analysis : {
      original : O, normalized : null}
承包 | analysis : {
      original : O, normalized : null}
了 | analysis : {
      original : O, normalized : null}
一千 | analysis : {
      original : NUMBER, normalized : 1000}
亩 | analysis : {
      original : O, normalized : null}
盐 | analysis : {
      original : O, normalized : null}
碱地 | analysis : {
      original : O, normalized : null}
, | analysis : {
      original : O, normalized : null}
The analysis lasts 989 seconds * 1000

大概可以识别到的类型有：人person、数字number、组织organization、头衔title、省/市/区/位置province/city/facility/location、日期/时间date/time

实时在线演示：https://corenlp.run/

三、python版本使用

1. 安装斯坦福大学NLP组的Stanza 。（要求：Python3.6及以上的版本）

pip install stanza 

2. 下载中文模型打包文件

import stanza
stanza.download('zh')

出现问题：[WinError 10054] 远程主机强迫关闭了一个现有的连接。
解决方法：用梯子

3. 使用

# coding utf-8
import stanza

# 可以通过pipeline预加载不同语言的模型，也可以通过pipeline选择不同的处理模块，还可以选择是否使用GPU：
zh_nlp = stanza.Pipeline('zh', use_gpu=False)
text = "马云在1998年7月31日出生于江苏省盐城市大丰区。"

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
    print("UPOS: " + ' '.join(f'{word.text}/{word.upos}' for word in sent.words))  # 词性标注（UPOS）
    print("XPOS: " + ' '.join(f'{word.text}/{word.xpos}' for word in sent.words))  # 词性标注（XPOS）
    print("NER: " + ' '.join(f'{ent.text}/{ent.type}' for ent in sent.ents))  # 命名实体识别

Sentence：马云在1998年7月31日出生于江苏省盐城市大丰区。
Tokenize：马云 在 1998 年 7 月 31 日 出生 于 江苏 省 盐城 市 大丰 区 。
UPOS: 马云/PROPN 在/ADP 1998/NUM 年/NOUN 7/NUM 月/NOUN 31/NUM 日/NOUN 出生/VERB 于/ADP 江苏/PROPN 省/PART 盐城/PROPN 市/PART 大丰/PROPN 区/PART 。/PUNCT
XPOS: 马云/NNP 在/IN 1998/CD 年/NNB 7/CD 月/NNB 31/CD 日/NNB 出生/VV 于/IN 江苏/NNP 省/SFN 盐城/NNP 市/SFN 大丰/NNP 区/SFN 。/.
NER: 马云/PERSON 1998年7月31日/DATE 江苏/GPE 盐城/GPE 大丰/GPE

更多详细信息见：斯坦福大学NLP组Python深度学习自然语言处理工具Stanza试用

NLTK 命名实体识别

一、简介：

NLTK对于自然语言处理有很多开箱即用的API，本文主要介绍如何使用NLTK进行中文命名实体识别。由于NLTK不支持中文分词，所以本文使用了结巴分词。

二、搭建环境

环境：windows64+python3

前提：安装好python3，并且安装了numpy、matplotlib、pandas等一些常用的库

1、安装PyYAML模块和nltk模块

 pip install pyyaml nltk

2、下载NLTK的数据包

方式一：界面下载

在pycharm中写一个python脚本，如下：

import nltk
nltk.download()

运行脚本，出现如下界面，选择all，设置下载路径，点击下载：

下载时间很长，如果有个别数据包无法下载，可切换到All Packages标签页，双击指定的包来进行下载。

方式二：命令行下载

创建名称为 nltk_data 的文件夹（比如我创建在了anacondas的目录下）

文件夹位置要求，程序会按照如下顺序去找该文件夹，所以，你创建的文件夹在以下目录即可：

Searched in:

• ‘C:\Users\10840/nltk_data’
  • ‘D:\develop\python\Anaconda3\nltk_data’
    • ‘D:\develop\python\Anaconda3\share\nltk_data’
    • ‘D:\develop\python\Anaconda3\lib\nltk_data’
    • ‘C:\Users\10840\AppData\Roaming\nltk_data’
    • ‘C:\nltk_data’
    • ‘D:\nltk_data’
    • ‘E:\nltk_data’
    • ’ ’

cmd 进入 nltk_data 文件夹目录，执行命令 python -m nltk.downloader all

关于下载的问题：[win error 10054] 远程主机强迫关闭了一个现有的连接

解决方法：1.使用梯子 2.从国内别人上传的云盘下载（文末链接中有）3. 直接到官网下载数据包。

只要将下载的数据包复制到你的 Download Directory目录下即可

三、nltk使用

用NLTK来实现文本信息提取的方法，包含4步：分词，词性标注，（分块）命名实体识别，实体关系识别。

分块可以简单的基于经验，使用正则表达式来匹配，也可以使用基于统计的分类算法来实现，NLTK有提供基于正则的分块器。

nltk 不提供中文分词。

1、英文实体命名初体验

import sys
import importlib
importlib.reload(sys)
import nltk

article = "I came to Tsinghua University in Beijing"  # 文章
tokens = nltk.word_tokenize(article)  # 分词
print("tokens",tokens)
'''
tokens ['I', 'came', 'to', 'Tsinghua', 'University', 'in', 'Beijing']
'''

tagged = nltk.pos_tag(tokens)  # 词性标注
print("tagged",tagged)
'''
tagged [('I', 'PRP'), ('came', 'VBD'), ('to', 'TO'), ('Tsinghua', 'NNP'), ('University', 'NNP'), ('in', 'IN'), ('Beijing', 'NNP')]
'''

entities = nltk.chunk.ne_chunk(tagged)  # 命名实体识别
print(entities)
# 命名实体：确切的名词短语，指特定类型的个体，如日期、人、组织等
'''
(S
  I/PRP
  came/VBD
  to/TO
  (ORGANIZATION Tsinghua/NNP University/NNP)
  in/IN
  (GPE Beijing/NNP))
'''    

NLTK 采用的是宾州中文树库标记：

2、使用nltk来处理中文资料

nltk 目前只能比较好的处理英文和其他的一些拉丁语系。由于中文汉字一个挨一个，nltk不支持。

所以可以采用其他分词工具对中文语料进行处理，再使用nltk对其进行实体识别。

分词工具有很多，这里使用 结巴分词。主页有详细介绍

结巴分词使用

1、安装

pip install jieba

2、使用：中文分词初体验

# encoding=utf-8
import jieba

jieba.enable_paddle()  # 启动paddle模式。
strs=["我来到北京清华大学","乒乓球拍卖完了","中国科学技术大学"]
for str in strs:
    seg_list = jieba.cut(str,use_paddle=True) # 使用paddle模式
    print("Paddle Mode: " + '/'.join(list(seg_list)))

seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
print("【全模式】: " + "/ ".join(seg_list))

seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print("【精确模式】: " + "/ ".join(seg_list))

seg_list = jieba.cut("他来到了网易杭研大厦")
print("【新词识别】: "+", ".join(seg_list))

seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造")
print("【搜索引擎模式】: "+", ".join(seg_list))

'''
Paddle Mode: 我/来到/北京清华大学
Paddle Mode: 乒乓球/拍卖/完/了
Paddle Mode: 中国科学技术大学

【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
【精确模式】: 我/ 来到/ 北京/ 清华大学
【新词识别】: 他, 来到, 了, 网易, 杭研, 大厦
【搜索引擎模式】: 小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, ，, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造
'''

这样，把分词的结果输出到文件中，NLTK就可以拿来做实体识别了，比如下面：

# encoding=utf-8
import sys
import importlib
importlib.reload(sys)
import nltk

# 上中文
tokens = nltk.word_tokenize("我 来到 北京 清华大学")  # 分词
print("tokens",tokens)
tagged = nltk.pos_tag(tokens)  # 词性标注
print("tagged",tagged)
entities = nltk.chunk.ne_chunk(tagged)  # 命名实体识别
print(entities)

'''
tokens ['我', '来到', '北京', '清华大学']
tagged [('我', 'JJ'), ('来到', 'NNP'), ('北京', 'NNP'), ('清华大学', 'NN')]
(S 我/JJ 来到/NNP 北京/NNP 清华大学/NN)
'''

参考资料：
python的nltk中文使用和学习资料汇总帮你入门提高
NLTK学习之四：文本信息抽取

foolnltk 命名实体识别

一、简介

foolnltk一个基于深度学习的中文分词工具，具有以下特点：

• 可能不是最快的开源中文分词，但很可能是最准的开源中文分词
• 基于 BiLSTM 模型训练而成
• 包含分词，词性标注，实体识别, 都有比较高的准确率
• 用户自定义词典
• 可以定制自己的模型

有python版本和java版本，详情请见

二、python版本使用

1、 安装

pip install foolnltk

2、 使用

#coding utf-8
import fool
import os

# 分词
text = "我来到北京清华大学"
print(fool.cut(text))
'''
[['我', '来到', '北京', '清华大学']]
'''
    
# 用户自定义词典
# 词典格式格式如下，词的权重越高，词的长度越长就越越可能出现, 权重值请大于 1
# 难受香菇 10
# 什么鬼 10
# 分词工具 10
# 北京 10
# 北京天安门 10
fool.load_userdict(os.getcwd()+'\\mydictionary')
    
# 词性标注
print(fool.pos_cut(text))
'''
[[('我', 'r'), ('来到', 'v'), ('北京', 'ns'), ('清华大学', 'nt')]]
'''
    
# 实体识别
words, ners = fool.analysis(text)
print(ners)
'''
[[(3, 9, 'org', '北京清华大学')]]
'''

Ltp 实体命名识别

一、简介

哈工大的LTP，免费使用但限流量，需要给钱才行

LTP4文档，啊！其实官方文档里面已经写的清清楚楚了！

这个也能支持用户自定义词典

二、使用

1、安装

pip install ltp

2、使用

import os
from ltp import LTP

ltp = LTP()  # 默认加载 Small 模型
# user_dict.txt 是词典文件， max_window是最大前向分词窗口
ltp.init_dict(path=os.getcwd()+'\\mydictionary', max_window=4)

seg, hidden = ltp.seg(["马云在1996年11月29日来到杭州的阿里巴巴公司。"])  # 分词
print(seg)
'''
[['马云', '在', '1996年', '11月', '29日', '来到', '杭州', '的', '阿里巴巴', '公司', '。']]
'''
    
pos = ltp.pos(hidden)  # 词性标注
print(pos)
'''
[['nh', 'p', 'nt', 'nt', 'nt', 'v', 'ns', 'u', 'nz', 'n', 'wp']]
'''
    
ner = ltp.ner(hidden)  # 命名实体识别
tag, start, end = ner[0][0]
print(ner)
for tag, start, end in ner[0]:
    print(tag, ":", "".join(seg[0][start:end + 1]))
'''
[[('Nh', 0, 0), ('Ns', 6, 6), ('Ni', 8, 9)]]
Nh : 马云
Ns : 杭州
Ni : 阿里巴巴公司
'''

LTP 提供最基本的三种实体类型人名 Nh、地名 Ns、机构名 Ni 的识别。

LAC 实体命名

LAC项目地址

一、简介

LAC全称Lexical Analysis of Chinese，是百度自然语言处理部研发的一款联合的词法分析工具，实现中文分词、词性标注、专名识别等功能。该工具具有以下特点与优势：

• 效果好：通过深度学习模型联合学习分词、词性标注、专名识别任务，词语重要性，整体效果F1值超过0.91，词性标注F1值超过0.94，专名识别F1值超过0.85，效果业内领先。
• 效率高：精简模型参数，结合Paddle预测库的性能优化，CPU单线程性能达800QPS，效率业内领先。
• 可定制：实现简单可控的干预机制，精准匹配用户词典对模型进行干预。词典支持长片段形式，使得干预更为精准。
• 调用便捷：支持一键安装，同时提供了Python、Java和C++调用接口与调用示例，实现快速调用和集成。
• 支持移动端: 定制超轻量级模型，体积仅为2M，主流千元手机单线程性能达200QPS，满足大多数移动端应用的需求，同等体积量级效果业内领先。

二、python版本使用

1、安装

pip install lac

2、使用

from LAC import LAC

# 装载LAC模型
lac = LAC(mode='lac')

# 单个样本输入，输入为Unicode编码的字符串
text = u"马云来到北京清华大学"
lac_result = lac.run(text)
print(lac_result)
'''
[['马云', '来到', '北京清华', '大学'], ['PER', 'v', 'ORG', 'n']]
'''

# 批量样本输入, 输入为多个句子组成的list，平均速率更快
texts = [u"LAC是个优秀的分词工具", u"百度是一家高科技公司"]
lac_result = lac.run(texts)
print(lac_result)
'''
[[['LAC', '是', '个', '优秀', '的', '分词', '工具'], ['nz', 'v', 'q', 'a', 'u', 'n', 'n']],
 [['百度', '是', '一家', '高科技', '公司'], ['ORG', 'v', 'm', 'n', 'n']]]
'''

控制台输出以上内容，这个是初始化异常日志，不碍事，不喜欢的可以通过升级 paddlepaddle 版本到1.8以上 来关闭

pip install paddlepaddle==1.8

词性和专业名词类别：（专业名词只能识别4种：人物、地名、机构名、时间）

BosonNLP 实体识别

这个现在官方不给 SDK 的 tooken 了，所以不能用了，但是在线演示平台挺绚丽的。

bosonnlp的SDK文档

一、简介

BosonNLP实体识别引擎基于自主研发的结构化信息抽取算法，F1分数达到81%，相比于StanfordNER高出7个百分点。通过对行业语料的进一步学习，可以达到更高的准确率。

二、python版本使用

1、安装

pip install bosonnlp

2、使用

from bosonnlp import BosonNLP
import os
nlp = BosonNLP(os.environ['BOSON_API_TOKEN'])
nlp.ner('杨超越在1998年7月31日出生于江苏省盐城市大丰区。', sensitivity=2)

Hanlp 实体识别

pyhanlp 项目官方地址

一、简介

HanLP是一系列模型与算法组成的NLP工具包，目标是普及自然语言处理在生产环境中的应用。HanLP具备功能完善、性能高效、架构清晰、语料时新、可自定义的特点。内部算法经过工业界和学术界考验。目前，基于深度学习的HanLP 2.0正处于alpha测试阶段，未来将实现知识图谱、问答系统、自动摘要、文本语义相似度、指代消解、三元组抽取、实体链接等功能。

我们介绍的Pyhanlp是HanLP1.x的Python接口，支持自动下载与升级HanLP1.x，兼容py2、py3。

二、python版本使用

1、安装

安装JDK

JDK官方下载地址
JDK的安装与环境变量配置
注意 保证JDK的位数、操作系统位数和Python位数一致。

安装Pyhanlp

pip install pyhanlp

2、使用

# coding utf-8
import pyhanlp
text = '杨超越在1998年7月31日出生于江苏省盐城市大丰区。'
NLPTokenizer = pyhanlp.JClass('com.hankcs.hanlp.tokenizer.NLPTokenizer')  # 加载模型
NER = NLPTokenizer.segment(text)  # 命名实体识别
print(NER)
'''
[杨超越/nr, 在/p, 1998年7月31日/t, 出生/v, 于/p, 江苏省盐城市/ns, 大丰区/ns, 。/w]
'''

不像前面介绍的几个工具可以直接获得实体，hanlp需要从词性标注里面提取实体，
人名nr、地名ns、机名nt、时间t。