python - 如何使用 nltk 正则表达式模式来提取特定的短语 block ？

Question

我写了下面的正则表达式来标记某些短语模式

pattern = """
        P2: {<JJ>+ <RB>? <JJ>* <NN>+ <VB>* <JJ>*}
        P1: {<JJ>? <NN>+ <CC>? <NN>* <VB>? <RB>* <JJ>+}
        P3: {<NP1><IN><NP2>}
        P4: {<NP2><IN><NP1>}

    """

这个模式会正确地标记一个短语，例如:

a = 'The pizza was good but pasta was bad'

并用 2 个短语给出所需的输出:

1. 披萨不错
2. 意大利面不好吃

但是，如果我的句子是这样的:

a = 'The pizza was awesome and brilliant'

只匹配短语:

'pizza was awesome' 

而不是所需的:

'pizza was awesome and brilliant'

我如何将正则表达式模式也纳入我的第二个示例？

Answer 1

首先我们来看一下NLTK给出的POS标签:

>>> from nltk import pos_tag
>>> sent = 'The pizza was awesome and brilliant'.split()
>>> pos_tag(sent)
[('The', 'DT'), ('pizza', 'NN'), ('was', 'VBD'), ('awesome', 'JJ'), ('and', 'CC'), ('brilliant', 'JJ')]
>>> sent = 'The pizza was good but pasta was bad'.split()
>>> pos_tag(sent)
[('The', 'DT'), ('pizza', 'NN'), ('was', 'VBD'), ('good', 'JJ'), ('but', 'CC'), ('pasta', 'NN'), ('was', 'VBD'), ('bad', 'JJ')]

(注意:以上是 NLTK v3.1 pos_tag 的输出，旧版本可能不同)

您要捕获的本质上是:

• NN VBD JJ CC JJ
• NN VBD JJ

所以让我们用这些模式来捕捉它们:

>>> from nltk import RegexpParser
>>> sent1 = ['The', 'pizza', 'was', 'awesome', 'and', 'brilliant']
>>> sent2 = ['The', 'pizza', 'was', 'good', 'but', 'pasta', 'was', 'bad']
>>> patterns = """
... P: {<NN><VBD><JJ><CC><JJ>}
... {<NN><VBD><JJ>}
... """
>>> PChunker = RegexpParser(patterns)
>>> PChunker.parse(pos_tag(sent1))
Tree('S', [('The', 'DT'), Tree('P', [('pizza', 'NN'), ('was', 'VBD'), ('awesome', 'JJ'), ('and', 'CC'), ('brilliant', 'JJ')])])
>>> PChunker.parse(pos_tag(sent2))
Tree('S', [('The', 'DT'), Tree('P', [('pizza', 'NN'), ('was', 'VBD'), ('good', 'JJ')]), ('but', 'CC'), Tree('P', [('pasta', 'NN'), ('was', 'VBD'), ('bad', 'JJ')])])

---

所以这是通过硬编码“作弊”!!!

让我们回到 POS 模式:

• NN VBD JJ CC JJ
• NN VBD JJ

可以简化为:

• NN VBD JJ(CC JJ)

因此您可以在正则表达式中使用可选运算符，例如:

>>> patterns = """
... P: {<NN><VBD><JJ>(<CC><JJ>)?}
... """
>>> PChunker = RegexpParser(patterns)
>>> PChunker.parse(pos_tag(sent1))
Tree('S', [('The', 'DT'), Tree('P', [('pizza', 'NN'), ('was', 'VBD'), ('awesome', 'JJ'), ('and', 'CC'), ('brilliant', 'JJ')])])
>>> PChunker.parse(pos_tag(sent2))
Tree('S', [('The', 'DT'), Tree('P', [('pizza', 'NN'), ('was', 'VBD'), ('good', 'JJ')]), ('but', 'CC'), Tree('P', [('pasta', 'NN'), ('was', 'VBD'), ('bad', 'JJ')])])

---

很可能您使用的是旧标注器，这就是您的模式不同的原因，但我想您已经了解如何使用上面的示例捕获所需的短语。

步骤是:

• 首先，使用 pos_tag
检查 POS 模式是什么
• 然后概括模式并简化它们
• 然后将它们放入RegexpParser