Question

这是我的要求。我想以一种允许我实现以下内容的方式标记和标记段落。

应在段落中标识日期和时间，并将其标记为日期和时间
应识别段落中的已知短语并将其标记为CUSTOM
应该通过默认的nltk的word_tokenize和pos_tag函数对其余内容进行标记化吗？

例如，关注sentense

"They all like to go there on 5th November 2010, but I am not interested."

如果自定义词组“我不感兴趣”，

应按照以下方式进行标记和标记：

[('They', 'PRP'), ('all', 'VBP'), ('like', 'IN'), ('to', 'TO'), ('go', 'VB'), 
('there', 'RB'), ('on', 'IN'), ('5th November 2010', 'DATE'), (',', ','), 
('but', 'CC'), ('I am not interested', 'CUSTOM'), ('.', '.')]

任何建议都会有用。

Answer 1

正确的答案是编译以您希望的方式标记的大型数据集，然后在其上训练机器学习的块。如果这太耗费时间，那么简单的方法就是运行POS标记器并使用正则表达式对其输出进行后处理。获得最长的比赛是困难的部分：

s = "They all like to go there on 5th November 2010, but I am not interested."

DATE = re.compile(r'^[1-9][0-9]?(th|st|rd)? (January|...)( [12][0-9][0-9][0-9])?$')

def custom_tagger(sentence):
    tagged = pos_tag(word_tokenize(sentence))
    phrase = []
    date_found = False

    i = 0
    while i < len(tagged):
        (w,t) = tagged[i]
        phrase.append(w)
        in_date = DATE.match(' '.join(phrase))
        date_found |= bool(in_date)
        if date_found and not in_date:          # end of date found
            yield (' '.join(phrase[:-1]), 'DATE')
            phrase = []
            date_found = False
        elif date_found and i == len(tagged)-1:    # end of date found
            yield (' '.join(phrase), 'DATE')
            return
        else:
            i += 1
            if not in_date:
                yield (w,t)
                phrase = []

Todo：展开DATE重新插入代码以搜索CUSTOM短语，通过匹配POS标记和令牌使其更加复杂，并决定5th是否应该自行算作日期。（可能不是，所以过滤掉只包含序数的长度为1的日期。）

Answer 2

您应该使用nltk.RegexpParser进行分块以实现您的目标。

参考： http://nltk.googlecode.com/svn/trunk/doc/book/ch07.html#code-chunker1

nltk自定义标记器和标记器

2 个答案: