0
| 本文作者： AI研习社-译站 | 2019-05-13 11:25 |
本文为 AI 研习社编译的技术博客，原标题 ：
Natural Language Processing — Event Extraction
作者 | Rodrigo Nader
翻译 | 胡瑛皓 编辑 | 酱番梨、王立鱼
原文链接：
https://towardsdatascience.com/natural-language-processing-event-extraction-f20d634661d3
每天产生的文本信息令人叹为观止。数百万数据源以新闻稿、博客、消息、手稿和无数其他形式发布，因而自动组织和处理就必不可少。
随着神经网络算法的改进、计算机算力的显著提升以及大量涌现的理解框架，自然语言处理的能力正被前所未有的探索。其中一个常见应用称为事件提取，即处理收集蕴藏在文本中的一个阶段内发生的事件，自动识别发生了什么和什么时候发生。
比如:
2018/10 — President Donald Trump’s government banned countries from importing Iranian oil with exemptions to seven countries.
2019/04 — US Secretary of State Mike Pompeo announced that his country would open no more exception after the deadline.
2019/05 — The United States ended with exemptions that allowed countries to import oil from Iran without suffering from US sanctions.
凭借获得信息上下文的能力，可以关联时间上互相独立的事件，汲取其影响，发现事件序列如何随着时间推移展开。这些科技洞见力正驱动诸如 EventRegistry和 Primer.AI等组织，用科技服务各个市场。
本文将构建一个简单的事件提取脚本，接收新闻输入处理后输出事件。
首先需要收集数据。我们可以用任何形式的文本，只要这些文字的内容可通过时间线表示。本文选用 newsapi，从该数据源获取数据很容易，其开发者计划每天可获取500个免费请求。以下是处理请求的代码:
最后一个函数，返回特定查询的结果列表，大约包含2000篇文章。我们的目的是抽取这些文章总的事件。为简化这一过程，只保留文章标题 (理论上，标题应该蕴涵新闻的核心内容)。
执行后得到一个data frame，其内容如下，包括日期、标题和描述
前面拿到了文章的标题，现在需要将其转换为算法能理解的形式。注，本文跳过了整个文本预处理环节，因为与本文不太相关。不过，如果你是新手，应用模型前务必作预处理 → 请打开原文查看一篇很好的教程。
SpaCy的预训练词嵌入模型，可帮助获取独立词语的含义，进一步获得整句句子的含义。具体来说用的是SpaCy large model (en_core_web_lg), 其中包含了685k英语单词的预训练词向量。当然也可以用任意其他预训练词向量表示 (诸如Word2Vec, FastText, GloVe等等)。
SpaCy中默认将词向量的平均值作为句子向量，这是一种简易处理方法，忽略了句子中的词序信息。如想使用更精巧的策略，可以看一下Sent2Vec、SkipThoughts等模型。这篇文章 详细介绍了SkipThoughts如何用无监督方法提取摘要。
本文中使用SpaCy自带的方法:
可以看到每篇文章被表示为300维的数组，如下:
即便采用搜索方式过滤获取数据，同一查询中会出现不同的主题。比如，搜索关键词 “Paris” 可以得到:
Paris comes together after a devastating fire
或:
Brazil football legend Pele admitted to hospital in Paris
现在用聚类算法分组不同的主题。
本例中，我使用DBSCAN算法，该算法不需要指定聚类簇的数量。算法自己决定聚类簇的数量和规模。
算法中 epsilon 参数决定两个样本间的最大距离，以此决定是否临近，这意味着如果 eps 设置太大形成的簇就比较少，如果设置太小大多数点都无法被临近聚类，于是被分到默认簇 (-1)里，产生的簇也不多。下图显示聚类簇的数量与的epsilon关系:
给 eps 调参是最为精巧的一步，因为聚类的结果会改变很多，也就是如何确定句子是相似的。通过试验找到恰当的值，能保持句子间的相似度，同时不把相近的句子分到不同组去。
总的来说，由于我们期望同一组中包含非常相似的句子，也就是得到一个较高的分类数。因此选取 0.08 ~ 0.12之间。参见 Scikit Learn 中关于 eps 和其他参数的说明。
现在看一下每个类中包含的数量:
-1 类表示未明确聚类的句子，其他是已被分类的句子。我们分析一下最大的类，表示最重要的主题 (或者评论最多的那个)。
抽样一下其中一个类:
对于每个分类我们得到如上形式的data frame。接下来是以时间线排列这些句子，并过滤掉相似的句子。每天只呈现一篇文章，这样实现出来的时间线就干净而统一。
由于每天关于同一主题会产生许多标题，会用一个条件去过滤。该句子将最好的表达事件，也就是蕴涵着这些标题代表的核心内容。
按天聚类句子，在每个组中选择其最靠近中心的句子。以下是从一组向量中找出中心向量的函数:
干净整洁。最后用Plotly绘制一下时间线图：雷锋网雷锋网雷锋网
就是这样，用一个脚本从2000篇文章中提取和组织事件。现在可以想象每天将这一技术应用于上百万篇文章有多大用处。仅以股票市场每日新闻影响为例，事件提取可以说非常有价值。
可以增加许多步骤提升事件提取的效果，诸如更好的预处理包括POS tagging和NER，使用更好的句子向量模型等等。不过本文的方法，已经可以快速达到理想的结果。
感谢阅读本文。本文聚焦NLP及事件提取。如果想了解更多有关数据科学和机器学习的信息，请follow我的账号。有任何想法、评论或问题，请给我留言。
想要继续查看该篇文章相关链接和参考文献？
点击【一文带你读懂自然语言处理-事件提取】即可访问：
https://ai.yanxishe.com/page/TextTranslation/1704
社长今日推荐：AI入门、大数据、机器学习免费教程
35本世界顶级原本教程限时开放，这类书单由知名数据科学网站 KDnuggets 的副主编，同时也是资深的数据科学家、深度学习技术爱好者的Matthew Mayo推荐，他在机器学习和数据科学领域具有丰富的科研和从业经验。
点击链接即可获取：https://ai.yanxishe.com/page/resourceDetail/417
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
