“英雄”式自然言语工具引荐 免于选择！

大数据分析是商业智能的重要工具，而自然言语处理（NLP）工具可协助处理来自不同来源的非结构化数据流。

由于Python编程言语是最合适大数据处理的理想之一，因此许多工具和库都是为它而生。像Jupyter和其他大数据可视化工具的处理方案就是用Python编写的，许多其他软件工具经过API或各种包装提供本地Python功能支持。这就是为什么有很多NLP库的缘由，还有更多的是定期的服务。

由于这个缘由，“Python NLP库选择”的成绩能够会频繁出现。因此，本文选择了5个NLP工具以免去众多的选择纠结：

1.来自斯坦福大学的CoreNLP

2.NLTK，在Python的NLP库中被最广泛提到的

3.TextBlob，一个用户敌对且直观的NLTK界面

4.Gensim，一个文件相似性分析的库

5.SpaCy，为功能而建的一个工业强度的NLP库

当然，这不代表这5个Python NLP库就可以完全代表了一切可用的工具。但是，我们以为它们是NLP范畴的中坚力气，掌握了这5个工具之后，你将会了解NLP处理的一切基础知识（以及一些高级技巧），并可以根据你的项目需求，选择最合适的自然言语处理工具，并迅速掌握它。

CoreNLP，以其速度而出名的Java库

CoreNLP是斯坦福大学建立和维护的消费处理方案。该库针对速度停止了优化，并具有词性标注（PoS）标签、形式学习解析、标题实体辨认等功能。由于它最后是用Java编写的，因其高速度而遭到高度评价，并且由于运用了专门的包装器而可以支持多种言语（包括Python）。 CoreNLP如今在消费环境中被广泛运用，由于它被抛光，并提供了准确的结果。

NLTK是提到的最广泛的NLP库

NLTK代表自然言语工具包（Natural Language ToolKit），它是学习NLP域的窍门的最佳处理方案。它的模块化结构有助于了解组件之间的依赖关系，并获得第一手的体验，为处理某些义务创建合适的模型。 NLTK自发布以来，协助处理了自然言语处理各个方面的多个成绩。

有多个指南将协助任何人都能掌握NLTK。说假话，假如不这样做是不明智的，由于这是一个相当复杂的处理方案。但是，一旦掌握，NLTK就可以成为文本分析研讨者的优秀“操场”。

TextBlob，运用NLTK的最佳方式

TextBlob是NLTK的一个接口，可以将文本处理转换变2成一个简单且相当愉快的过程，由于它具有丰富的功能和平滑的学习曲线，这是由于它有详细和易于了解的文档。把 TextBlob放在巨人的肩膀上，可以简单地添加各种组件，如情感分析器和其他方便的工具。它可以用于各种NLP模型的疾速原型设计，并且可以很容易地长大为片面的项目。

Gensim，一个文档采用相似性分析的库

虽然Gensim不像以前的组件那样无处不在、全能，但它的确有一个亮点。这个范畴是主题建模和文档相似性比较，高度专业化的Gensim在那里没有任何等同。提供像LDA（或潜在Dirichlet分配）这样的工具，可扩展且弱小，你可以信任NLP项目的几个关键组件工具，更不用说主题建模是古代NLP迷信中最有吸引力和最有希望的范畴之一。

SpaCy，一个拥有高功能的库

用Cython写的，SpaCy不能为任何义务提供50多种处理方案，就像NLTK一样。理想上，SpaCy只提供一个（坦率地说是最好的）处理方案，从而消弭了本人选择最优道路的成绩，保证了建立的模型精简、高效。此外，该工具的功能曾经非常弱小，并且会定期添加新功能。

由于这是该范畴的最新的补充，SpaCy目前在被视为一个新的“孩子”。这个处理方案目前只能运用英文文本。但是，由于相似C的疾速功能，SpaCy提供了一个有目共睹的NLP方法，优于其他竞争对手。尝试一次，或许你就不会再去寻求另一种选择。

结论

当你紧紧抓住这5个自然言语处理的工具后，你将可以在很短的工夫内学习任何其他的库。但是，我们确信，没有必要这样做，由于TextBlob，SpaCy，Gensim和CoreNLP的NLTK几乎可以涵盖任何NLP项目的一切需求。你有其他想法吗？可以在回复区与大家停止交流。

来啊，互相伤害啊

我也来顶一下..