本文来自《Python自然语言处理实战》章节内容,机械工业出版社华章授权发布,未经允许,禁止转载!
今天我要介绍的案例是自然语言处理中最为常见的:关键实体识别- 日期识别!
在工程项目中,我们会经常面临日期识别的任务。当针对结构化数据时,日期设置一般有良好的规范,在数据入库时予以类型约束,在需要时能够通过解析还原读取到对应的日期。然而在一些非结构化数据应用场景下,日期和文本混杂在一起,此时日期的识别就变得艰难许多。
非结构数据下的日期识别多是与具体需求有关,本节实战的背景如下:现有一个基于语音问答的酒店预订系统,其根据用户的每句语音进行解析,识别出用户的酒店预订需求,如房间型号、入住时间等;用户的语音在发送给后台进行请求时已经转换成中文文本,然而由于语音转换工具的识别问题,许多日期类的数据并不是严格的数字,会出现诸如“六月12”“2016年八月”“20160812”“后天下午”等形式。这里我们不关注问答系统的具体实现过程,主要目的是识别出每个请求文本中可能的日期信息,并将其转换成统一的格式进行输出。例如“我要今天住到明天”(假设今天为2017年10月1号),那么通过日期解析后,应该输出为“2017-10-01”和“2017-10-02”。
接下来开始实战,我们主要通过正则表达式和Jieba分词来完成该任务,主要引入以下库:
l import re
l from datetime import datetime, timedelta
l from dateutil.parser import parse
l import jieba.posseg as psg
首先通过Jieba分词将带有时间信息的词进行切分,然后记录连续时间信息的词。这里面就用到Jieba词性标注的功能,提取其中“m”(数字)“t”(时间)词性的词。
def time_extract(text):
time_res = []
word = ''
keyDate = {'今天': 0, '明天':1, '后天': 2}
for k, v in psg.cut(text):
if k in keyDate:
if word != '':
time_res.append(word)
word = (datetime.today() + timedelta(days=keyDate.get(k, 0))).strftime('%Y年%m月%d日')
elif word != '':
if v in ['m', 't']:
word = word + k
else:
time_res.append(word)
word = ''
elif v in ['m', 't']:
word = k
if word != '':
time_res.append(word)
result = list(filter(lambda x: x is not None, [check_time_valid(w) for w in time_res]))
final_res = [parse_datetime(w) for w in result]
return [x for x in final_res if x is not None]
time_extract实现了这样的规则约束:对句子进行解析,提取其中所有能表示日期时间的词,并进行上下文拼接,如词性标注完后出现“今天/t 住/v 到/v 明天/t 下午/t 3/m点/m”,那么需要将“今天”和“明天下午3点”提取出来。代码里面定义了几个关键日期——“今天”“明天”和“后天”,当解析遇到这些词时进行日期格式转换,以方便后面的解析。关键日期可根据实际场景覆盖情况进行添加,这里由于是酒店入住,基本不会出现“前天”“昨天”等情况,因此未予添加。
time_extract中有个check_time_valid函数,用来对提取的拼接日期串进行进一步处理,以进行有效性判断的。
def check_time_valid(word):
m = re.match("\d+$", word)
if m:
if len(word) <= 6:
return None
word1 = re.sub('[号|日]\d+$', '日', word)
if word1 != word:
return check_time_valid(word1)
else:
return word1
在time_extract中最后还有个parse_datetime函数,用以将每个提取到的文本日期串进行时间转换。其主要通过正则表达式将日期串进行切割,分为“年”“月”“日”“时”“分”“秒”等具体维度,然后针对每个子维度单独再进行识别。
def parse_datetime(msg):
if msg is None or len(msg) == 0:
return None
try:
dt = parse(msg, fuzzy=True)
return dt.strftime('%Y-%m-%d %H:%M:%S')
except Exception as e:
m = re.match(
r"([0-9零一二两三四五六七八九十]+年)?([0-9一二两三四五六七八九十]+月)?([0-9一二两三四五六七八九十]+[号日])?([上中下午晚早]+)?([0-9零一二两三四五六七八九十百]+[点:\.时])?([0-9零一二三四五六七八九十百]+分?)?([0-9零一二三四五六七八九十百]+秒)?",
msg)
if m.group(0) is not None:
res = {
"year": m.group(1),
"month": m.group(2),
"day": m.group(3),
"hour": m.group(5) if m.group(5) is not None else '00',
"minute": m.group(6) if m.group(6) is not None else '00',
"second": m.group(7) if m.group(7) is not None else '00',
}
params = {}
for name in res:
if res[name] is not None and len(res[name]) != 0:
tmp = None
if name == 'year':
tmp = year2dig(res[name][:-1])
else:
tmp = cn2dig(res[name][:-1])
if tmp is not None:
params[name] = int(tmp)
target_date = datetime.today().replace(**params)
is_pm = m.group(4)
if is_pm is not None:
if is_pm == u'下午' or is_pm == u'晚上' or is_pm =='中午':
hour = target_date.time().hour
if hour < 12:
target_date = target_date.replace(hour=hour + 12)
return target_date.strftime('%Y-%m-%d %H:%M:%S')
else:
return None
可以看到,核心是下面的正则表达式:
"([0-9零一二两三四五六七八九十]+年)?([0-9一二两三四五六七八九十]+月)?([0-9一二两三四五六七八九十]+[号日])?([上中下午晚早]+)?([0-9零一二两三四五六七八九十百]+[点:\.时])?([0-9零一二三四五六七八九十百]+分?)?([0-9零一二三四五六七八九十百]+秒)?"
该正则表达式就是人工制定的一条规则,用以处理阿拉伯数字与汉字混杂的日期串的提取,其还加入了“上中下晚早”的考虑,用以调整最终输出的时间格式。
parse_datetime在解析具体几个维度时,用了year2dig和cn2dig方法。主要是通过预定义一些模板,将具体的文本转换成相应的数字,以供parse_datetime进行封装。
UTIL_CN_NUM = {
'零': 0, '一': 1, '二': 2, '两': 2, '三': 3, '四': 4,
'五': 5, '六': 6, '七': 7, '八': 8, '九': 9,
'0': 0, '1': 1, '2': 2, '3': 3, '4': 4,
'5': 5, '6': 6, '7': 7, '8': 8, '9': 9
}
UTIL_CN_UNIT = {'十': 10, '百': 100, '千': 1000, '万': 10000}
def cn2dig(src):
if src == "":
return None
m = re.match("\d+", src)
if m:
return int(m.group(0))
rsl = 0
unit = 1
for item in src[::-1]:
if item in UTIL_CN_UNIT.keys():
unit = UTIL_CN_UNIT[item]
elif item in UTIL_CN_NUM.keys():
num = UTIL_CN_NUM[item]
rsl += num * unit
else:
return None
if rsl < unit:
rsl += unit
return rsl
def year2dig(year):
res = ''
for item in year:
if item in UTIL_CN_NUM.keys():
res = res + str(UTIL_CN_NUM[item])
else:
res = res + item
m = re.match("\d+", res)
if m:
if len(m.group(0)) == 2:
return int(datetime.datetime.today().year/100)*100 + int(m.group(0))
else:
return int(m.group(0))
else:
return None
可以看到,预先将常见的中文汉字与对应的阿拉伯数字建立一一对应关系,然后通过匹配,转换成相应的阿拉伯数字。
parse_datetime最后通过解析具体维度(年月日等),然后替换datetime中today的参数,即将“今天”作为默认值,当解析的日期串中未出现表示具体年份或月份等维度的信息时,自动设置为“今天”的属性。下面进行一些测试(假设今天为“2017年10月25号”):
text1 = '我要住到明天下午三点'
print(text1, time_extract(text1), sep=':')
text2 = '预定28号的房间'
print(text2, time_extract(text2), sep=':')
text3 = '我要从26号下午4点住到11月2号'
print(text3, time_extract(text3), sep=':')
输出结果如下:
我要住到明天下午三点:['2017-10-26 15:00:00']
预定28号的房间:['2017-10-28 00:00:00']
我要从26号下午4点住到11月2号:['2017-10-26 16:00:00', '2017-11-02 00:00:00']
可以看到,结果还是相对较好的。当然采用规则去覆盖所有的语言场景是不太现实的。如果我们测试输入如下语句:
text4 = '我要预订今天到30的房间'
print(text4, time_extract(text4), sep=':')
text5 = '今天30号呵呵'
print(text5, time_extract(text5), sep=':')
输出为:
我要预订今天到30的房间:['2017-10-25 00:00:00']
今天30号呵呵:['2017-10-25 00:03:00']
对于text4和text5这种规则覆盖之外的场景,该方法效果大大降低。但相较于基于统计的方法,规则方法无需在系统建设初期为搜集数据标注训练而苦恼,能够快速见效。