python - R - 通过 Reticulate 解析 Python NLTK 树

Question

我正在尝试使用 Reticulate 包在 R 中使用 Python 的 NLTK 包。在大多数情况下，我已经成功了。

现在，我想使用 NLTK 的 ne_chunk() 函数执行命名实体识别(即确定哪些标记代表命名实体以及它们代表什么类型的命名实体。)。我的问题是该函数返回类 nltk.tree.Tree 的对象，我不知道如何在 R 中解析它。

如果 ne_chunk() 被馈送多达 10 个标记-标签对，它将返回一个可以使用 as.character() 转换为字符的结果，可以通过正则表达式函数进行解析(这只是一个 hack，我对此并不满意)。然而，如果超过十对，它将返回树的简写表示，使用 R 方法无法从中提取任何有意义的数据。

这是一个最小可重现的例子:

library(reticulate)
nltk <- import("nltk")

sent_tokenize <- function(text, language = "english") {
  nltk$tokenize$sent_tokenize(text, language)
}
word_tokenize <- function(text, language = "english", preserve_line = FALSE) {
  nltk$tokenize$word_tokenize(text, language, preserve_line)
}
pos_tag <- function(tokens, tagset = NULL, language = "eng") {
  nltk$pos_tag(tokens, tagset, language)
}
ne_chunk <- function(tagged_tokens, binary = FALSE) {
  nltk$ne_chunk(tagged_tokens, binary)
}

text <- "Christopher is having a difficult time parsing NLTK Trees in R."
tokens <- word_tokenize(text)
tagged_tokens <- pos_tag(tokens)
ne_tagged_tokens <- ne_chunk(tagged_tokens)

这是处理上一个示例中的文本时返回的速记:

> ne_tagged_tokens
List (11 items)

以下是 ne_tagged_tokens 所属的类:

> class(ne_tagged_tokens)
[1] "nltk.tree.Tree"        "python.builtin.list"   "python.builtin.object"

我对使用替代的、预先存在的 R 包的建议不感兴趣。

Answer 1

我想问题出在reticulate无法读取自定义的 Python 对象，这很常见，因此您必须在 R 和 Python 接口(interface)之间传递尽可能接近本地 Python 类型的 Python 对象。

有一种方法可以改变 ne_chunks 的输出格式字符串 ( bracketed parse format ), 使用 Tree.pformat() :

>>> from nltk import word_tokenize, pos_tag, ne_chunk
>>> sent = "Christopher is having a difficult time parsing NLTK Trees in R."
>>> ne_chunk(pos_tag(word_tokenize(sent)))
Tree('S', [Tree('GPE', [('Christopher', 'NNP')]), ('is', 'VBZ'), ('having', 'VBG'), ('a', 'DT'), ('difficult', 'JJ'), ('time', 'NN'), ('parsing', 'VBG'), Tree('ORGANIZATION', [('NLTK', 'NNP'), ('Trees', 'NNP')]), ('in', 'IN'), Tree('GPE', [('R', 'NNP')]), ('.', '.')])
>>> ne_chunk(pos_tag(word_tokenize(sent))).pformat()
'(S\n  (GPE Christopher/NNP)\n  is/VBZ\n  having/VBG\n  a/DT\n  difficult/JJ\n  time/NN\n  parsing/VBG\n  (ORGANIZATION NLTK/NNP Trees/NNP)\n  in/IN\n  (GPE R/NNP)\n  ./.)'

要读回它，请使用 Tree.fromstring() :

>>> tree_str = ne_chunk(pos_tag(word_tokenize(sent))).pformat()
>>> from nltk import Tree
>>> Tree.fromstring(tree_str)
Tree('S', [Tree('GPE', ['Christopher/NNP']), 'is/VBZ', 'having/VBG', 'a/DT', 'difficult/JJ', 'time/NN', 'parsing/VBG', Tree('ORGANIZATION', ['NLTK/NNP', 'Trees/NNP']), 'in/IN', Tree('GPE', ['R/NNP']), './.'])

所以我猜想在 R 中这样做可能会奏效:

text <- "Christopher is having a difficult time parsing NLTK Trees in R."
ne_tagged_tokens <- ne_chunk(pos_tag(word_tokenize(tagged_tokens)))$pformat()
print(ne_tagged_tokens)

但将字符串读回 R 对象应该是不可能的，因为它无法处理非本地 Python 树对象，因此 some_func <- function(...{nltk$some_func(...)})不适用于 Tree因为它不是一个函数。

---

如果你想操纵 ne_chunk 的输出将对象树放入命名实体列表中，然后您必须在 Python 中执行类似这样的操作:NLTK Named Entity recognition to a Python list

话又说回来，如果您在 Python 中需要如此多的函数，以至于您真的不想重新编码或使用其他 R 库，那您为什么不使用 Python 编写而不是坚持使用 R。