- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我有一个应用程序,其中 NLTK 需要解释人类提供的语音,并从中找到有意义的 block 。需要解释的句子的形式是from <somewhere>, to <somewhere> on <some_date>, <class_of_travel,like AC_CHAIR_CAR>
.如您所知,这可以用无数种方式表达,例如,
我想从亚特兰大去纽约,商务舱,2014 年 7 月 25 日。
我想乘坐商务舱,于 7 月 25 日从纽约飞往亚特兰大。
我有一个梦想,有一天我会登上飞机,乘坐商务舱旅行,然后在纽约降落,源头在亚特兰大,最好是在 7 月 25 日。
7 月 25 日亚特兰大飞往纽约,商务舱。
你明白了。我想提取的是一些信息花絮——来源、目的地、类别、日期。有些可能会丢失,必须加以识别或适当假设。就像发现源丢失一样,识别它。或者,如果缺少年份,则将其记入当前年份。同时忽略无用的信息(比如我有一个梦想部分,就像我崇拜马丁路德一样)。
有什么方法可以在 NLTK 中实现这一点?我知道有可用的标记器,也有训练标记器的方法,但我对此了解不足。是否有可能或多或少地涵盖所有可能意味着这样一句话的情况,并像这样提取信息?如果是这样,我们将不胜感激。
最佳答案
在计算语言学中,这被称为“Named Entity Recognition ”,这是从文本中识别组织、人员和位置等事物的过程。
这里的挑战是 nltk 中的默认 NE 分块器是在 ACE corpus 上训练的最大熵分块器.它尚未接受过识别日期和时间的训练,因此您需要对其进行调整并找到检测时间的方法。
有一些包可以帮助提取命名实体,Stanford NER(命名实体识别器)是最流行的命名实体识别工具之一,由 Java 实现。但是您可以通过下载包并通过提供 Stanford NER 接口(interface)的 NLTK 进行交互来使用它。
您可以下载Stanford Named Entity Recognizer version 3.4在哪里可以找到 stanford-ner.jar 和分类器模型“all.3class.distsim.crf.ser.gz”
from nltk.tag.stanford import NERTagger
def stanfordNERExtractor(sentence):
st = NERTagger('/usr/share/stanford-ner/classifiers/all.3class.distsim.crf.ser.gz',
'/usr/share/stanford-ner/stanford-ner.jar')
return st.tag(sentence.split())
stanfordNERExtractedLines = stanfordNERExtractor("New York")
print stanfordNERExtractedLines #[('New-York', 'LOCATION')]
您还可以使用 NTLK,您可以在 official document 上找到更多详细信息, 检查这个要点 from Gavin
def extract_entities(text):
for sent in nltk.sent_tokenize(text):
for chunk in nltk.ne_chunk(nltk.pos_tag(nltk.word_tokenize(sent))):
if hasattr(chunk, 'node'):
print chunk.node, ' '.join(c[0] for c in chunk.leaves())
extract_entities("to play to Atlanta")
#Output: [('to', 'TO'),('play', 'VB'),('to', 'TO'),('play', 'NN')],
最好编写一个正则表达式模式来标识源和目标。您可能无法获取诸如 "to get"
之类的其他词,但您已确定要从 st.tag
(“LOCATION”)中验证的位置列表,或者以防万一你使用了NTLK,你可以验证它是否是动词(“VB”/“NN”)。您还可以使用 NLTK 的 UnigramTagger() 和 BigramTagger() 来检查可能性,以在“FROM”和“TO”之后获取可以识别为位置的名称
import re
text= "I want to go to New York from Atlanta, business class, on 25th July."
destination= re.findall(r'.to.([A-Z][a-zA-Z]+?[\s-]*[A-Z]*[a-zA-Z]*)',text)
source= re.findall(r'.from.([A-Z][a-zA-Z]+?[\s-]*[A-Z]*[a-zA-Z]*)',text)
print source,destination
如上所述,这是我们可能面临的问题之一,但我们可以使用正则表达式,如本thread所述.
print re.findall(
r"""(?ix) # case-insensitive, verbose regex
\b # match a word boundary
(?: # match the following three times:
(?: # either
\d+ # a number,
(?:\.|st|nd|rd|th)* # followed by a dot, st, nd, rd, or th (optional)
| # or a month name
(?:(?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec)[a-z]*)
)
[\s./-]* # followed by a date separator or whitespace (optional)
){3} # do this three times
\b """,
text)
输出:
25th July 2014.
我们也可以使用python-dateutil或 this而不是使用正则表达式。
以防遗漏部分,例如年份或月份。我们可以使用 parsedatetime 包对其进行调整。
检查这个快速示例(您可以根据不同的场景进行调整)
>>> import parsedatetime
>>> p = parsedatetime.Calendar()
>>> print p.parse("25th this month")
(time.struct_time(tm_year=2014, tm_mon=11, tm_mday=10, tm_hour=1, tm_min=5, tm_sec=31, tm_wday=0, tm_yday=314, tm_isdst=0), 0)
>>> print p.parse("25th July")
((2015, 7, 25, 1, 5, 50, 0, 314, 0), 1)
>>> print p.parse("25th July 2014")
((2014, 7, 25, 1, 6, 3, 0, 314, 0), 1)
最后一件事是,你可以使用这个 dataset提取机场,并验证所提及位置的正确性,以防您回答可用性(有些位置没有机场)。
对于舱位,您可以通过查看句子中的“经济舱”、“商务舱”词来验证(您可以在in
或正则表达式之间进行选择)。
有关此主题的更多详细信息,请查看:NTLK - Extracting Information from Text
关于Python NLTK 解释一个固定的句子模式并将其标记化,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/26662618/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!