Python生态系统中5个NLP工具库

Python是目前最流行的编程语言，也是开放生态做得最好的编程语言之一。大多数深度学习框架、机器学习的框架都有很优秀的Python版本。这篇博客主要为大家介绍5个python生态系中解决NLP任务的框架。

[TOC]

#### 一、宾夕法尼亚大学的NLTK（Natural Language Toolkit）
NLTK是一个非常优秀且著名的自然语言处理工具，最早是由宾夕法尼亚大学（University of Pennsylvania）计算机和信息科学系的两位老师开发的，主要是针对英语的自然语言处理工具。NLTK早期被用来教学，在深度学习这种“粗暴的”解决方案之前，自然语言处理的很多任务都是认知学、语言学等内容，做词法分析、语句结构分析等工作很主流。而NLTK在这方面的分析非常好。

<center>![](http://www.datalearner.com/resources/blog_images/2d968161-6d26-421f-b9a3-b39198c88b26.jpg)</center>

当前，NLTK支持的能力包括：

- Tokenize和文本标注（Tokenize and tag some text）：如分词、词性标注等
- 命名实体识别（Identify named entities）：即专有名词识别，包括人名、地名等
- 语言分析树（语法树）：反应语言字符的语法关系的有根有序树

NLTK提供了50多个语料库和词汇资源提供了易于使用的接口（最著名的WordNet等）。

这个工具是完全开源的，遵守的是 Apache License Version 2.0，商业使用非常友好。

官方网站：https://www.nltk.org/

#### 二、HuggingFace的Transformer
Hugging Face是一家非常活跃的人工智能创业公司。之前我们也介绍过：[人工智能初创企业Hugging Face是什么样的企业——HuggingFace简介](https://www.datalearner.com/blog/1051636550099750 "人工智能初创企业Hugging Face是什么样的企业——HuggingFace简介")。它拥有一个非常强大并且活跃的人工智能社区。有超过5000多家机构都在Hugging Face的社区发布内容，包括Google AI、Facebook AI、微软等。

<center>![](http://www.datalearner.com/resources/blog_images/eee75be4-a89b-408f-8100-b9155cd267a8.png)</center>
<center></center>
<center></center>

HuggingFace的早期流行主要是贡献了一个基于Pytorch的Bert预训练模型，即pytorch-pretrained-bert。相信这个库很多人都使用过，这个库非常好用，于是也顺着NLP模型的发展不断扩张。如今，HuggingFace整合了他们的贡献的NLP领域的预训练模型，发布了Transformers库。他们的模型是目前NLP最火的深度学习模型的优秀代表，实现了很多的预训练模型。可用于文本分类、信息提取、问题回答、总结、翻译、文本生成等任务，支持100多种语言。

GitHub地址：https://github.com/huggingface

#### 三、spaCy
spaCy是一个为NLP商用设计的开源软件，是一个用于高级自然语言处理的开源软件库，由编程语言Python和Cython编写。与广泛用于教学和研究的NLTK不同，spaCy专注于提供用于生产的软件。

<center>![](http://www.datalearner.com/resources/blog_images/375e3d11-d716-4b6c-8fdf-05a1886f9f35.png)</center>
<center></center>

spaCy的一个重要的特点是允许通过其自己的机器学习库Thinc连接由TensorFlow、PyTorch或MXNet等流行机器学习库训练的统计模型。其主要功能：
- 语音部分标记
- 依赖关系解析
- 文本分类
- 命名实体识别

spaCy统计神经网络模型可用于17种语言，包括英语、葡萄牙语、西班牙语、俄语和汉语，还有一个多语言的NER模型。由于它追求性能，底层都是Cython，对于内存的管理非常精致，很擅长大规模信息提取任务。spaCy是五年前发布的，目前生态发展得也很不错。最新的V3版本使用了基于transformer的流水线，性能提升很大。

该软件是开源软件，遵从MIT协议，商业使用友好。

官方网站：https://spacy.io/

#### 四、gensim
gensim是一个基于Python的主题模型（就是那个LDA一类的模型，流行了十多年，传闻帮助了全世界大批计算机专业博士拿到学位的东西，哈哈哈）工具，是免费的Python库。它是可扩展的统计语义工具，可以分析文本语义结构并抽取相似语义的文本。很多公司如IBCN、DTU、issuu等都在使用。

<center>![](http://www.datalearner.com/resources/blog_images/6c43794e-6e8e-452b-918c-c493fb123763.png)</center>
<center></center>

gensim特点：
- 速度很快：其底层使用的是经过实战检验的、高度优化和并行化的C程序。
- 基于数据流的处理，也就是Gensim可以使用数据流算法来处理任意大的语料。没有 "数据集必须适合在RAM中 "的限制。
- 没有平台限制，支持python和numpy
- 每周100万次的下载，社区活跃

不过有点可惜的是开源协议是GNU LGPL，虽然商业使用比GPL好，但是还是比不上Apache与MIT这种。区别主要是必须使用动态链接使用这个软件才可以高枕无忧，一旦使用静态链接，必须开源。

官方网站：https://radimrehurek.com/gensim/

#### 五、柏林洪堡大学的Flair NLP框架
作为PyTorch生态系统的正式组成部分，Flair是最受欢迎的NLP深度学习框架之一。这是三年前由德国的柏林洪堡大学（Humboldt University of Berlin）的老师开发并开源，目前GitHub上有1.15万个star，被fork了1800多次。

这个框架最大的特点是简单易用，但是非常强大。Flair适用于许多不同语言的文本数据，如德语、英语、波兰语、日语等。

最大的亮点主要是两个：
- 支持很多文本分析任务：包括序列标签、文本分类、相似性学习和文本回归等。
- Word Embeddings：Flair支持大量流行的和实验性的词嵌入，包括GloVe、FastText、ELMo、BERT及其变体（RoBERTa、ALBERT、CamemBERT等）、XLM、Byte Pair Embeddings以及Flair自己的word embedding方法。

开源软件，MIT协议，商业使用非常友好。

#### 总结
这几款NLP的开源Python库都是十分优秀的，并且商业使用非常友好，也有各自特点，不论是自己使用学习，还是工业应用都非常不错。国内也有一些针对中文的开源贡献，下次可以总结一下。

Python生态系统中5个NLP工具库

相关博客

最热博客