python - 使用 python NLTK 的斯坦福 NER 因包含多个 "!!"的字符串而失败？

Question

假设这是我的文件内容:

When they are over 45 years old!! It would definitely help Michael Jordan.

下面是我用于标记设置的代码。

st = NERTagger('stanford-ner/classifiers/english.all.3class.distsim.crf.ser.gz', 'stanford-ner/stanford-ner.jar')
tokenized_sents = [word_tokenize(sent) for sent in sent_tokenize(filecontent)]  
taggedsents = st.tag_sents(tokenized_sents)

我希望 tokenized_sents 和 taggedsents 包含相同数量的句子。

但它们包含以下内容:

for ts in tokenized_sents:
    print "tok   ", ts

for ts in taggedsents:
    print "tagged    ",ts

>> tok    ['When', 'they', 'are', 'over', '45', 'years', 'old', '!', '!']
>> tok    ['It', 'would', 'definitely', 'help', '.']
>> tagged     [(u'When', u'O'), (u'they', u'O'), (u'are', u'O'), (u'over', u'O'), (u'45', u'O'), (u'years', u'O'), (u'old', u'O'), (u'!', u'O')]
>> tagged     [(u'!', u'O')]
>> tagged     [(u'It', u'O'), (u'would', u'O'), (u'definitely', u'O'), (u'help', u'O'), (u'Michael', u'PERSON'), (u'Jordan', u'PERSON'), (u'.', u'O')]

这是因为有双“!”在假定的第一句话的末尾。在使用 st.tag_sents()

之前是否必须删除双“!”

我该如何解决这个问题？

Answer 1

如果您按照我在另一个问题中的解决方案而不是使用 nltk，您将获得 JSON，该 JSON 可以将此文本正确地拆分为两个句子。

链接到上一个问题:how to speed up NE recognition with stanford NER with python nltk