parsing - NLTK Regex Parser 中没有条件

Question

我需要在 NLTK 的正则表达式解析器中创建一个非条件作为语法的一部分。我想分块那些结构为 'Coffee & Tea' 的词但如果有 <IN> 类型的词，它不应该分块在序列之前。例如'in London and Paris'不应被解析器分块。

我的代码如下:

grammar = r'''NP: {(^<IN>)<NNP>+<CC><NN.*>+}'''

我尝试了上面的语法来解决问题，但它不起作用，有人可以告诉我我做错了什么吗。

例子:

def parse_sentence(sentence):
    pos_sentence = nltk.pos_tag(nltk.word_tokenize(sentence))
    grammar = r'''NP: {<NNP>+<CC><NN.*>+}'''
    parser = nltk.RegexpParser(grammar)
    result = parser.parse(pos_sentence)
    print result

sentence1 = 'Who is the front man of the band that wrote Coffee & TV?'
parse_sentence(sentence1)

sentence2 = 'Who of those resting in Westminster Abbey wrote a book set in London and Paris?'
parse_sentence(sentence2)

Result for sentence 1 is:
(S
  Who/WP
  is/VBZ
  the/DT
  front/JJ
  man/NN
  of/IN
  the/DT
  band/NN
  that/WDT
  wrote/VBD
  (NP Coffee/NNP &/CC TV/NN)
  ?/.)

Result for sentence2 is:
(S
  Who/WP
  of/IN
  those/DT
  resting/VBG
  in/IN
  Westminster/NNP
  Abbey/NNP
  wrote/VBD
  a/DT
  book/NN
  set/VBN
  in/IN
  (NP London/NNP and/CC Paris/NNP)
  ?/.)

从 sentence1 和 sentence2 中可以看出短语 Coffee & Tea和 London and Paris尽管我不想分块 London and Paris，但作为一个组进行分块.一种方法是忽略那些以 <IN> 开头的模式。 POS 标签。

简而言之，我需要知道如何在正则表达式解析器的语法中为 POS 标记添加 NOT(否定)条件。在标记定义后使用“^”的标准语法似乎不起作用

Answer 1

您需要的是一个“负面回顾”表达式。不幸的是，它在 block 解析器中不起作用，所以我怀疑你想要的东西不能指定为 block 正则表达式。

这是一个普通的负面回顾:匹配“Paris”，但如果前面有“and”则不匹配。

>>> re.findall(r"(?<!and) Paris", "Search in London and Paris etc.")
[]

不幸的是，相应的后视分块规则不起作用。 nltk 的 regexp 引擎会调整您传递给它的 regexp 以解释 POS 类型，它会被 lookbehinds 混淆。 (我猜 lookbehind 语法中的 < 字符被误解为标记定界符。)

>>> parser = nltk.RegexpParser(r"NP: {(?<!<IN>)<NNP>+<CC><NN.*>+}")
...
ValueError: Illegal chunk pattern: {(?<!<IN>)<NNP>+<CC><NN.*>+}