python - 如何解析上下文无关语法中的特殊字符？

Question

我有一个涉及标点符号的上下文无关语法 (CFG)。例如nltk.parse_cfg("""PP-CLR -> IN `` NP-TTL""")

`` 是有效的 Penn Treebank POS 标签。但是nltk无法识别。事实上，nltk.parse_cfg 无法识别字母数字和破折号以外的任何字符。而 Penn Treebank POS 标签有几个标点符号，例如 $ # : 。 (

那么，我应该在我的数据集中保留标点符号吗？或者有没有办法解析这些字符？

谢谢

Answer 1

您可能需要专门将它们指定为终端注释，例如:

>>> import nltk
>>> grammar = nltk.parse_cfg("""
... S -> NP VP
... VP -> V PUNCT
... PUNCT -> '.'
... V -> 'eat'
... NP -> 'I'
... """)
>>> 
>>> sentence = "I eat .".split()
>>> cp = nltk.ChartParser(grammar)
>>> for tree in cp.nbest_parse(sentence):
...     print tree
... 
(S (NP I) (VP (V eat) (PUNCT .)))