web-dev-qa-db-ja.com

NLTKと言語検出

NLTKを使用してテキストが書かれている言語を検出するにはどうすればよいですか?

私が見た例ではnltk.detectですが、Macにインストールしたときに、このパッケージが見つかりません。

34
niklassaers

次のコードスニペットに遭遇しましたか?

english_vocab = set(w.lower() for w in nltk.corpus.words.words())
text_vocab = set(w.lower() for w in text if w.lower().isalpha())
unusual = text_vocab.difference(english_vocab) 

from http://groups.google.com/group/nltk-users/browse_thread/thread/a5f52af2cbc4cfeb?pli=1&safe=active

または次のデモファイル?

https://web.archive.org/web/20120202055535/http://code.google.com/p/nltk/source/browse/trunk/nltk_contrib/nltk_contrib/misc/langid.py

38
William Niu

このライブラリもNLTKからのものではありませんが、確かに役立ちます。

$ sudo pip install langdetect

サポートされているPythonバージョン2.6、2.7、3.x。

>>> from langdetect import detect

>>> detect("War doesn't show who's right, just who's left.")
'en'
>>> detect("Ein, zwei, drei, vier")
'de'

https://pypi.python.org/pypi/langdetect?

PS:これが常に正しく機能することを期待しないでください:

>>> detect("today is a good day")
'so'
>>> detect("today is a good day.")
'so'
>>> detect("la vita e bella!")
'it'
>>> detect("khoobi? khoshi?")
'so'
>>> detect("wow")
'pl'
>>> detect("what a day")
'en'
>>> detect("yay!")
'so'
25
SVK

これはNLTKにはありませんが、別のPythonベースのライブラリで素晴らしい結果が得られました。

https://github.com/saffsd/langid.py

これはインポートが非常に簡単で、モデルに多数の言語が含まれています。

19
burgersmoke

超遅いですが、textcatnltk分類子を使用できます here 。これは paper でアルゴリズムを説明しています。

ISO 639-3で国コードを返すため、pycountryを使用して完全な名前を取得します。

たとえば、ライブラリをロードします

import nltk
import pycountry
from nltk.stem import SnowballStemmer

ここで、2つのフレーズとguessの言語を見てみましょう:

phrase_one = "good morning"
phrase_two = "goeie more"

tc = nltk.classify.textcat.TextCat() 
guess_one = tc.guess_language(phrase_one)
guess_two = tc.guess_language(phrase_two)

guess_one_name = pycountry.languages.get(alpha_3=guess_one).name
guess_two_name = pycountry.languages.get(alpha_3=guess_two).name
print(guess_one_name)
print(guess_two_name)

English
Afrikaans

次に、それらを他のnltk関数に渡すことができます。次に例を示します。

stemmer = SnowballStemmer(guess_one_name.lower())
s1 = "walking"
print(stemmer.stem(s1))
walk

免責事項明らかにこれは、特にスパースデータの場合は常に機能するとは限りません

極端な例

guess_example = tc.guess_language("hello")
print(pycountry.languages.get(alpha_3=guess_example).name)
Konkani (individual language)
2
RK1