Python的NLTK与相关Java库？

Question

我之前在Java项目中使用过LingPipe、斯坦福的命名实体识别（NER）、RiTa以及各种句子相似度库，这些项目主要是处理大量英文文本（大约10,000个文档，总共超过1GB的文本），包括索引、XML标记、主题检测等等。也许我不是个好Java程序员，但每当我换一个文本库时，我发现自己需要写很多代码，还要用很多库。总的来说，我觉得可能有更好的工具来完成这些工作。

我想问的是，换成Python和NLTK来做信息检索和语言处理会对我有帮助吗？还是说这其中的优缺点太多，得看个人情况？NLTK是否足够直观，能让我快速上手？

我想动手试试，但接下来的几天我没有个人电脑可以用。

Answer 1

如果你已经了解了自然语言处理（NLP）的基础知识，那么我觉得学习NLTK应该会很简单。它有很多文档，还有两本书，我在streamhacker.com上写了不少文章和教程。如果你不想失去Java包中的某些东西，理论上你可以用Jython把它和NLTK结合起来（也许还可以用execnet）。

你也可以看看Pattern这个库。

Answer 2

NLTK 是一个很适合处理自然语言的工具。我在我的数据挖掘项目中用过它。你可以自己训练一个分析器，学习起来也不难。

NLTK 提供了大量的语料库，可以用来训练你的分析器。你也可以提供自己的数据，比如一份带有词性标注的日记。

因为 Python 在文本处理方面表现得很好，你可以试试看。而且，它还有一个在线的 教程。

请记得使用 Python 2.x 版本，建议试试 Python 2.6。NLTK 在 Python 3.x 上可能不太好用。