OpenNLP-令牌化 - 芒果文档

📌 相关文章

📜 OpenNLP-令牌化

📅 最后修改于: 2020-11-23 03:55:28 🧑 作者: Mango

将给定的句子切成较小的部分(令牌)的过程称为标记化。通常，给定的原始文本是基于一组定界符(主要是空白)来标记的。

令牌化用于诸如拼写检查，处理搜索，识别语音部分，句子检测，文档的文档分类等任务中。

使用OpenNLP标记

opennlp.tools.tokenize软件包包含用于执行标记化的类和接口。

为了将给定的句子标记为更简单的片段，OpenNLP库提供了三种不同的类-

SimpleTokenizer-此类使用字符类标记给定的原始文本。
WhitespaceTokenizer-此类使用空格标记给定文本。
TokenizerME-此类将原始文本转换为单独的标记。它使用最大熵来做出决策。

SimpleTokenizer

要使用SimpleTokenizer类标记一个句子，您需要-

创建相应类的对象。
使用tokenize()方法对句子进行标记。
打印令牌。

以下是编写标记给定原始文本的程序所遵循的步骤。

步骤1-实例化相应的类

在这两个类中，都没有可用于实例化它们的构造函数。因此，我们需要使用静态变量INSTANCE创建这些类的对象。

SimpleTokenizer tokenizer = SimpleTokenizer.INSTANCE;

第2步-标记句子

这两个类都包含一个称为tokenize()的方法。此方法接受String格式的原始文本。调用时，它将标记给定的String并返回String(令牌)数组。

如下所示，使用tokenizer()方法对句子进行标记。

//Tokenizing the given sentence 
 String tokens[] = tokenizer.tokenize(sentence);

第3步-打印令牌

将句子标记化之后，可以使用for loop打印标记，如下所示。

//Printing the tokens 
for(String token : tokens)       
   System.out.println(token);

例

以下是使用SimpleTokenizer类标记给定句子的程序。将该程序保存在名为SimpleTokenizerExample.java的文件中。

import opennlp.tools.tokenize.SimpleTokenizer;  
public class SimpleTokenizerExample { 
   public static void main(String args[]){ 
     
      String sentence = "Hi. How are you? Welcome to Tutorialspoint. " 
         + "We provide free tutorials on various technologies"; 
    
      //Instantiating SimpleTokenizer class 
      SimpleTokenizer simpleTokenizer = SimpleTokenizer.INSTANCE;  
       
      //Tokenizing the given sentence 
      String tokens[] = simpleTokenizer.tokenize(sentence);  
       
      //Printing the tokens 
      for(String token : tokens) {         
         System.out.println(token);  
      }       
   }  
}

使用以下命令从命令提示符处编译并执行保存的Java文件-

javac SimpleTokenizerExample.java 
java SimpleTokenizerExample

在执行时，上面的程序读取给定的String(原始文本)，对其进行标记化，并显示以下输出-

Hi 
. 
How 
are 
you 
? 
Welcome 
to 
Tutorialspoint 
. 
We 
provide 
free 
tutorials 
on 
various 
technologies

空白令牌生成器

要使用WhitespaceTokenizer类标记一个句子，您需要-

创建相应类的对象。
使用tokenize()方法对句子进行标记。
打印令牌。

以下是编写标记给定原始文本的程序所遵循的步骤。

步骤1-实例化相应的类

在这两个类中，都没有可用于实例化它们的构造函数。因此，我们需要使用静态变量INSTANCE创建这些类的对象。

WhitespaceTokenizer tokenizer = WhitespaceTokenizer.INSTANCE;

第2步-标记句子

这两个类都包含一个称为tokenize()的方法。此方法接受String格式的原始文本。调用时，它将标记给定的String并返回String(令牌)数组。

如下所示，使用tokenizer()方法对句子进行标记。

//Tokenizing the given sentence 
 String tokens[] = tokenizer.tokenize(sentence);

第3步-打印令牌

将句子标记化之后，可以使用for loop打印标记，如下所示。

//Printing the tokens 
for(String token : tokens)       
   System.out.println(token);

例

以下是使用WhitespaceTokenizer类标记给定句子的程序。将此程序保存在名为WhitespaceTokenizerExample.java的文件中。

import opennlp.tools.tokenize.WhitespaceTokenizer;  

public class WhitespaceTokenizerExample {  
   
   public static void main(String args[]){ 
     
      String sentence = "Hi. How are you? Welcome to Tutorialspoint. " 
         + "We provide free tutorials on various technologies"; 
    
      //Instantiating whitespaceTokenizer class 
       WhitespaceTokenizer whitespaceTokenizer = WhitespaceTokenizer.INSTANCE;  
       
      //Tokenizing the given paragraph 
      String tokens[] = whitespaceTokenizer.tokenize(sentence);  
       
      //Printing the tokens 
      for(String token : tokens)     
         System.out.println(token);        
   } 
}

使用以下命令从命令提示符处编译并执行保存的Java文件-

javac WhitespaceTokenizerExample.java 
java WhitespaceTokenizerExample

在执行时，上面的程序读取给定的String(原始文本)，对其进行标记化，并显示以下输出。

Hi. 
How 
are 
you? 
Welcome 
to 
Tutorialspoint. 
We 
provide 
free 
tutorials 
on 
various 
technologies

TokenizerME类

OpenNLP还使用预定义的模型(名为de-token.bin的文件)来标记句子。它经过训练可以将给定原始文本中的句子标记化。

opennlp.tools.tokenizer包的TokenizerME类用于加载此模型，并使用OpenNLP库标记给定的原始文本。为此，您需要-

使用TokenizerModel类加载en-token.bin模型。
实例化TokenizerME类。
使用此类的tokenize()方法对句子进行标记。

以下是编写程序的步骤，该程序使用TokenizerME类将给定原始文本中的句子标记化。

步骤1-加载模型

令牌化模型由名为TokenizerModel的类表示，该类属于包opennlp.tools.tokenize 。

加载令牌化器模型-

创建模型的InputStream对象(实例化FileInputStream并将String格式的模型路径传递给其构造函数)。
实例化TokenizerModel类，并将模型的InputStream (对象)作为参数传递给其构造函数，如下面的代码块所示。

//Loading the Tokenizer model 
InputStream inputStream = new FileInputStream("C:/OpenNLP_models/en-token.bin"); 
TokenizerModel tokenModel = new TokenizerModel(inputStream);

第2步-实例化TokenizerME类

软件包opennlp.tools.tokenize的TokenizerME类包含一些将原始文本切成较小部分(令牌)的方法。它使用最大熵来做出决策。

实例化该类并传递在上一步中创建的模型对象，如下所示。

//Instantiating the TokenizerME class 
TokenizerME tokenizer = new TokenizerME(tokenModel);

步骤3-标记句子

TokenizerME类的tokenize()方法用于标记传递给它的原始文本。此方法接受String变量作为参数，并返回String(令牌)数组。

通过将句子的String格式传递给此方法来调用此方法，如下所示。

//Tokenizing the given raw text 
String tokens[] = tokenizer.tokenize(paragraph);

例

以下是标记给定原始文本的程序。将该程序保存在名为TokenizerMEExample.java的文件中。

import java.io.FileInputStream; 
import java.io.InputStream; 
import opennlp.tools.tokenize.TokenizerME; 
import opennlp.tools.tokenize.TokenizerModel;  

public class TokenizerMEExample { 
  
   public static void main(String args[]) throws Exception{     
     
      String sentence = "Hi. How are you? Welcome to Tutorialspoint. " 
            + "We provide free tutorials on various technologies"; 
       
      //Loading the Tokenizer model 
      InputStream inputStream = new FileInputStream("C:/OpenNLP_models/en-token.bin"); 
      TokenizerModel tokenModel = new TokenizerModel(inputStream); 
       
      //Instantiating the TokenizerME class 
      TokenizerME tokenizer = new TokenizerME(tokenModel); 
       
      //Tokenizing the given raw text 
      String tokens[] = tokenizer.tokenize(sentence);       
          
      //Printing the tokens  
      for (String a : tokens) 
         System.out.println(a); 
   } 
}

使用以下命令从命令提示符处编译并执行保存的Java文件-

javac TokenizerMEExample.java 
java TokenizerMEExample

在执行时，上面的程序读取给定的String并检测其中的句子，并显示以下输出-

Hi 
. 
How 
are 
you 
? 
Welcome 
to 
Tutorialspoint 
. 
We 
provide 
free 
tutorials 
on 
various 
technologie

检索代币的位置

我们还可以使用tokenizePos()方法获取标记的位置或范围。这是opennlp.tools.tokenize软件包的Tokenizer接口的方法。由于所有(三个)Tokenizer类都实现了此接口，因此您可以在所有它们中找到此方法。

此方法接受字符串形式的句子或原始文本，并返回Span类型的对象数组。

您可以使用tokenizePos()方法获取令牌的位置，如下所示：

//Retrieving the tokens 
tokenizer.tokenizePos(sentence);

打印位置(跨度)

opennlp.tools.util包的名为Span的类用于存储集合的开始和结束整数。

您可以将tokenizePos()方法返回的跨度存储在Span数组中并进行打印，如下面的代码块所示。

//Retrieving the tokens 
Span[] tokens = tokenizer.tokenizePos(sentence);
//Printing the spans of tokens 
for( Span token : tokens)        
   System.out.println(token);

一起打印令牌及其位置

String类的substring()方法接受开始和结束偏移量，并返回相应的字符串。我们可以使用此方法将标记及其跨度(位置)一起打印，如下面的代码块所示。

//Printing the spans of tokens 
for(Span token : tokens)  
   System.out.println(token +" "+sent.substring(token.getStart(), token.getEnd()));

示例(SimpleTokenizer)

以下是使用SimpleTokenizer类检索原始文本的令牌范围的程序。它还会打印标记及其位置。将该程序保存在名为SimpleTokenizerSpans.java的文件中。

import opennlp.tools.tokenize.SimpleTokenizer; 
import opennlp.tools.util.Span;  

public class SimpleTokenizerSpans {  
   public static void main(String args[]){ 
     
      String sent = "Hi. How are you? Welcome to Tutorialspoint. " 
         + "We provide free tutorials on various technologies"; 
    
      //Instantiating SimpleTokenizer class 
      SimpleTokenizer simpleTokenizer = SimpleTokenizer.INSTANCE;  
       
      //Retrieving the boundaries of the tokens 
      Span[] tokens = simpleTokenizer.tokenizePos(sent);  
       
      //Printing the spans of tokens 
      for( Span token : tokens)
         System.out.println(token +" "+sent.substring(token.getStart(), token.getEnd()));          
   } 
}

使用以下命令从命令提示符处编译并执行保存的Java文件-

javac SimpleTokenizerSpans.java 
java SimpleTokenizerSpans

在执行时，上面的程序读取给定的String(原始文本)，对其进行标记化，并显示以下输出-

[0..2) Hi 
[2..3) . 
[4..7) How 
[8..11) are 
[12..15) you 
[15..16) ? 
[17..24) Welcome 
[25..27) to 
[28..42) Tutorialspoint 
[42..43) . 
[44..46) We 
[47..54) provide 
[55..59) free 
[60..69) tutorials 
[70..72) on 
[73..80) various 
[81..93) technologies

示例(WhitespaceTokenizer)

以下是使用WhitespaceTokenizer类检索原始文本的令牌范围的程序。它还会打印标记及其位置。将该程序保存在名为WhitespaceTokenizerSpans.java的文件中。

import opennlp.tools.tokenize.WhitespaceTokenizer;
import opennlp.tools.util.Span; 
public class WhitespaceTokenizerSpans {  
   public static void main(String args[]){ 
     
      String sent = "Hi. How are you? Welcome to Tutorialspoint. " 
         + "We provide free tutorials on various technologies"; 
    
      //Instantiating SimpleTokenizer class 
      WhitespaceTokenizer whitespaceTokenizer = WhitespaceTokenizer.INSTANCE;  
       
      //Retrieving the tokens 
      Span[] tokens = whitespaceTokenizer.tokenizePos(sent);  
       
      //Printing the spans of tokens 
      for( Span token : tokens) 
         System.out.println(token +" 
            "+sent.substring(token.getStart(), token.getEnd()));        
   } 
}

使用以下命令在命令提示符下编译并执行保存的Java文件

javac WhitespaceTokenizerSpans.java 
java WhitespaceTokenizerSpans

在执行时，上面的程序读取给定的String(原始文本)，对其进行标记化，并显示以下输出。

[0..3) Hi. 
[4..7) How 
[8..11) are 
[12..16) you? 
[17..24) Welcome 
[25..27) to 
[28..43) Tutorialspoint. 
[44..46) We 
[47..54) provide 
[55..59) free
[60..69) tutorials 
[70..72) on 
[73..80) various 
[81..93) technologies

示例(TokenizerME)

以下是使用TokenizerME类检索原始文本的令牌范围的程序。它还会打印标记及其位置。将该程序保存在名为TokenizerMESpans.java的文件中。

import java.io.FileInputStream; 
import java.io.InputStream; 
import opennlp.tools.tokenize.TokenizerME; 
import opennlp.tools.tokenize.TokenizerModel; 
import opennlp.tools.util.Span;  

public class TokenizerMESpans { 
   public static void main(String args[]) throws Exception{     
      String sent = "Hello John how are you welcome to Tutorialspoint"; 
       
      //Loading the Tokenizer model 
      InputStream inputStream = new FileInputStream("C:/OpenNLP_models/en-token.bin"); 
      TokenizerModel tokenModel = new TokenizerModel(inputStream); 
       
      //Instantiating the TokenizerME class 
      TokenizerME tokenizer = new TokenizerME(tokenModel); 
       
      //Retrieving the positions of the tokens 
      Span tokens[] = tokenizer.tokenizePos(sent); 
       
      //Printing the spans of tokens 
      for(Span token : tokens) 
         System.out.println(token +" "+sent.substring(token.getStart(), token.getEnd()));      
   } 
}

使用以下命令从命令提示符处编译并执行保存的Java文件-

javac TokenizerMESpans.java 
java TokenizerMESpans

在执行时，上面的程序读取给定的String(原始文本)，对其进行标记化，并显示以下输出-

[0..5) Hello 
[6..10) John 
[11..14) how 
[15..18) are 
[19..22) you 
[23..30) welcome 
[31..33) to 
[34..48) Tutorialspoint

分词器概率

TokenizerME类的getTokenProbabilities()方法用于获取与对tokenizePos()方法的最新调用相关的概率。

//Getting the probabilities of the recent calls to tokenizePos() method 
double[] probs = detector.getSentenceProbabilities();

以下是打印与tokenizePos()方法的调用关联的概率的程序。将此程序保存在名为TokenizerMEProbs.java的文件中。

import java.io.FileInputStream; 
import java.io.InputStream; 
import opennlp.tools.tokenize.TokenizerME; 
import opennlp.tools.tokenize.TokenizerModel; 
import opennlp.tools.util.Span;  

public class TokenizerMEProbs { 
   
   public static void main(String args[]) throws Exception{     
      String sent = "Hello John how are you welcome to Tutorialspoint"; 
      
      //Loading the Tokenizer model 
      InputStream inputStream = new FileInputStream("C:/OpenNLP_models/en-token.bin"); 
      TokenizerModel tokenModel = new TokenizerModel(inputStream); 
      
      //Instantiating the TokenizerME class 
      TokenizerME tokenizer = new TokenizerME(tokenModel);
      
      //Retrieving the positions of the tokens 
      Span tokens[] = tokenizer.tokenizePos(sent); 
       
      //Getting the probabilities of the recent calls to tokenizePos() method 
      double[] probs = tokenizer.getTokenProbabilities(); 
       
      //Printing the spans of tokens 
      for(Span token : tokens) 
         System.out.println(token +" "+sent.substring(token.getStart(), token.getEnd()));      
         System.out.println("  "); 
         for(int i = 0; i

使用以下命令从命令提示符处编译并执行保存的Java文件-

javac TokenizerMEProbs.java 
java TokenizerMEProbs

在执行时，上述程序读取给定的String并标记句子并打印出来。此外，它还返回与tokenizerPos()方法的最新调用相关的概率。

[0..5) Hello 
[6..10) John 
[11..14) how 
[15..18) are 
[19..22) you 
[23..30) welcome 
[31..33) to 
[34..48) Tutorialspoint 
   
1.0 
1.0 
1.0 
1.0 
1.0 
1.0 
1.0 
1.0