python - 如何使用 NLTK 正则表达式模式用 UP/DOWN 指标注释财经新闻？

Question

我正在复制本文中描述的算法:https://arxiv.org/pdf/1811.11008.pdf

在最后一页，它使用以下示例描述了提取在标记为“NP JJ”的语法中定义的叶: 营业利润率为 8.3%，而一年前为 11.8%。

我期待看到一片标有“NP JJ”的叶子，但我没有。我正在纠结为什么(对正则表达式来说相对较新。)

def split_sentence(sentence_as_string):
    ''' function to split sentence into list of words
    '''
    words = word_tokenize(sentence_as_string)

    return words

def pos_tagging(sentence_as_list):

    words = nltk.pos_tag(sentence_as_list)

    return words

def get_regex(sentence, grammar):

    sentence = pos_tagging(split_sentence(sentence));

    cp = nltk.RegexpParser(grammar) 

    result = cp.parse(sentence) 

    return result


example_sentence = "Operating profit margin was 8.3%, compared to 11.8% a year earlier."

grammar = """JJ : {< JJ.∗ > ∗}
            V B : {< V B.∗ >}
            NP : {(< NNS|NN >)∗}
            NP P : {< NNP|NNP S >}
            RB : {< RB.∗ >}
            CD : {< CD >}
            NP JJ : : {< NP|NP P > +(< (>< .∗ > ∗ <) >) ∗ (< IN >< DT > ∗ < RB > ∗ < JJ > ∗ < NP|NP P >) ∗ < RB > ∗(< V B >< JJ >< NP >)∗ < V B > (< DT >< CD >< NP >) ∗ < NP|NP P > ∗ < CD > ∗ < .∗ > ∗ < CD > ∗| < NP|NP P >< IN >< NP|NP P >< CD >< .∗ > ∗ <, >< V B > < IN >< NP|NP P >< CD >}"""

grammar = grammar.replace('∗','*')

tree = get_regex(example_sentence, grammar)

print(tree)

Answer 1

首先看How to use nltk regex pattern to extract a specific phrase chunk?

让我们看看句子的 POS 标签是什么:

from nltk import word_tokenize, pos_tag

text = "Operating profit margin was 8.3%, compared to 11.8% a year earlier."
pos_tag(word_tokenize(text))

[出去]:

[('Operating', 'NN'),
 ('profit', 'NN'),
 ('margin', 'NN'),
 ('was', 'VBD'),
 ('8.3', 'CD'),
 ('%', 'NN'),
 (',', ','),
 ('compared', 'VBN'),
 ('to', 'TO'),
 ('11.8', 'CD'),
 ('%', 'NN'),
 ('a', 'DT'),
 ('year', 'NN'),
 ('earlier', 'RBR'),
 ('.', '.')]

第一个陷阱!否 JJ在任何标签中

没有 JJ在该句子中的任何 POS 中标记。

让我们回到论文 https://arxiv.org/pdf/1811.11008.pdf



尽管如此， NP JJ不是最终目标；最终目标是生产 UP或 DOWN基于一些启发式的标签。

让我们重新表述这些步骤:

用 解析句子解析器 (在这种情况下，正则表达式解析器使用某种语法)

识别句子有 的信号一个图案可以说明最终标签的用途。

2a.遍历解析树提取另一种模式这告诉我们性能指标和数值。

2b.使用提取的提取数值来确定方向性 UP/DOWN使用 一些启发式方法

2c。用 UP 标记句子/Down在 (2b)

中确定

让我们看看我们可以先构建哪个组件。

2b. extract another pattern that tells us about the performance indicator and numeric values.

我们知道某个百分比的输出总是 CD NN从

('8.3', 'CD'), ('%', 'NN')
('11.8', 'CD'), ('%', 'NN')

所以让我们尝试在语法中捕捉它。

patterns = """
PERCENT: {<CD><NN>}
"""

PChunker = RegexpParser(patterns)
PChunker.parse(pos_tag(word_tokenize(text)))

[出去]:

Tree('S', [('Operating', 'NN'), ('profit', 'NN'), ('margin', 'NN'), ('was', 'VBD'), 
  Tree('PERCENT', [('8.3', 'CD'), ('%', 'NN')]), 
(',', ','), ('compared', 'VBN'), ('to', 'TO'), 
  Tree('PERCENT', [('11.8', 'CD'), ('%', 'NN')]), 
('a', 'DT'), ('year', 'NN'), ('earlier', 'RBR'), ('.', '.')])

现在，我们如何得到这个:

2. Identify signal that the sentence has a pattern that can tell use about the ultimate label.

我们知道 <PERCENT> compared to <PERCENT>是一个很好的模式，所以让我们尝试对其进行编码。

我们知道 compared to有标签 VBN TO从

 ('8.3', 'CD'),
 ('%', 'NN'),
 (',', ','),
 ('compared', 'VBN'),
 ('to', 'TO'),
 ('11.8', 'CD'),
 ('%', 'NN'),

这个怎么样:

patterns = """
PERCENT: {<CD><NN>}
P2P: {<PERCENT><.*>?<VB.*><TO><PERCENT>}
"""

PChunker = RegexpParser(patterns)
PChunker.parse(pos_tag(word_tokenize(text)))

[出去]:

Tree('S', [('Operating', 'NN'), ('profit', 'NN'), ('margin', 'NN'), ('was', 'VBD'), 
           Tree('P2P', [
               Tree('PERCENT', [('8.3', 'CD'), ('%', 'NN')]), 
               (',', ','), ('compared', 'VBN'), ('to', 'TO'), 
               Tree('PERCENT', [('11.8', 'CD'), ('%', 'NN')])]
               ), 
           ('a', 'DT'), ('year', 'NN'), ('earlier', 'RBR'), ('.', '.')]
    )

但这种模式可以是任意数字。我们需要 performance indicator 的信号

由于我不是金融领域的领域专家，所以简单地利用 operating profit margin 的存在可能是一个很好的信号，即

from nltk import word_tokenize, pos_tag, RegexpParser

patterns = """
PERCENT: {<CD><NN>}
P2P: {<PERCENT><.*>?<VB.*><TO><PERCENT>}
"""

PChunker = RegexpParser(patterns)


text = "Operating profit margin was 8.3%, compared to 11.8% a year earlier."

indicators = ['operating profit margin']
for i in indicators:
    if i in text.lower():
        print(PChunker.parse(pos_tag(word_tokenize(text))))

[出去]:

(S
  Operating/NN
  profit/NN
  margin/NN
  was/VBD
  (P2P
    (PERCENT 8.3/CD %/NN)
    ,/,
    compared/VBN
    to/TO
    (PERCENT 11.8/CD %/NN))
  a/DT
  year/NN
  earlier/RBR
  ./.)

现在我们如何获得 UP/ DOWN ?

2b. Use the extracted extracted numeric values to determine the directionality UP / DOWN using some heuristics

仅从例句来看，除了“更早”之外，没有其他任何东西可以告诉我们数字的先行性。

所以让我们假设这一点，如果我们有模式 PERCENT VBN TO PERCENT earlier ，我们说第二个百分比是一个较旧的数字。

import nltk
from nltk import word_tokenize, pos_tag, RegexpParser

patterns = """
PERCENT: {<CD><NN>}
P2P: {<PERCENT><.*>?<VB.*><TO><PERCENT><.*>*<RBR>}
"""

def traverse_tree(tree, label=None):
    # print("tree:", tree)
    for subtree in tree:
        if type(subtree) == nltk.tree.Tree and subtree.label() == label:
            yield subtree

PChunker = RegexpParser(patterns)

parsed_text = PChunker.parse(pos_tag(word_tokenize(text)))
for p2p in traverse_tree(parsed_text, 'P2P'):
    print(p2p)

[出去]:

(P2P
  (PERCENT 8.3/CD %/NN)
  ,/,
  compared/VBN
  to/TO
  (PERCENT 11.8/CD %/NN)
  a/DT
  year/NN
  earlier/RBR)

和 UP/ DOWN标签？

import nltk
from nltk import word_tokenize, pos_tag, RegexpParser

patterns = """
PERCENT: {<CD><NN>}
P2P: {<PERCENT><.*>?<VB.*><TO><PERCENT><.*>*<RBR>}
"""

PChunker = RegexpParser(patterns)


def traverse_tree(tree, label=None):
    # print("tree:", tree)
    for subtree in tree:
        if type(subtree) == nltk.tree.Tree and subtree.label() == label:
            yield subtree

def labelme(text):
    parsed_text = PChunker.parse(pos_tag(word_tokenize(text)))
    for p2p in traverse_tree(parsed_text, 'P2P'):
        # Check if the subtree ends with "earlier".
        if p2p.leaves()[-1] ==  ('earlier', 'RBR'):
            # Check if which percentage is larger. 
            percentages = [float(num[0]) for num in  p2p.leaves() if num[1] == 'CD']
            # Sanity check that there's only 2 numbers from our pattern.
            assert len(percentages) == 2
            if percentages[0] > percentages[1]:
                return 'DOWN'
            else:
                return 'UP'

text = "Operating profit margin was 8.3%, compared to 11.8% a year earlier."

labelme(text)

现在问题引...

**你想写这么多规则并使用 labelme()来捕捉它们吗？以上？ **

你写的模式是万无一失的吗？

例如。是否存在使用指标和“较早”比较百分比的模式不会如预期那样“向上”或“向下”的情况

为什么我们要在 AI 时代编写规则？

您是否已经有人工注释的数据，其中有句子及其相应的 UP/DOWN 标签？ 如果是这样，让我建议类似 https://allennlp.org/tutorials或 https://github.com/huggingface/transformers/blob/master/notebooks/03-pipelines.ipynb