1、信息提取
先用句子分段器将文档的原始文本分成句子,再用记号赋值器将每个句子进一步分成单词。其次,给每一个句子做词性标记。以nltk中的默认工具为例,将句子分段器、分词器、词性标记器连接。
defie_preprocess(document): #nltk默认的句子分段器 sentences=nltk.sent_tokenize(document) #nltk默认分词器 sentences=[nltk.word_tokenize(sent)forsentinsentences] #nltk默认词性标记 sentences=[nltk.pos_tag(sent)forsentinsentences]
2、词块划分
词块划分是实体识别的基础技术,对多个词的顺序进行划分和标记。
如Noun Phrase Chunking(名词短语词块划分)
使用正则表达式来定义一个语法,来进行名词短语词块的划分
3、开发和评估词块划分器
分区器可以用evaluate()方法评价分区器的性能好坏。
以下是使用一元标记来建立单词块分割器的学习。但是,不是确定每个单词的正确单词性标记,而是根据每个单词的单词性标记,确定正确的单词块标记。
#使用一元标注器建立一个词块划分器。根据每个词的词性标记,尝试确定正确的词块标记。 classUnigramChunker(nltk.ChunkParserI): #constructor def__init__(self,train_sents): #将训练数据转换成适合训练标注器的形式。tree2conlltags()方法将每个词块树映射到一个三元组(word,tag,chunk)的列表 train_data=[[(t,c)forw,t,cinnltk.chunk.tree2conlltags(sent)] forsentintrain_sents] #训练一元分块器 #self.tagger=nltk.UnigramTagger(train_data) #训练二元分块器 self.tagger=nltk.BigramTagger(train_data) #sentence为一个已标注的句子 defparse(self,sentence): #提取词性标记 pos_tags=[posfor(word,pos)insentence] #使用标注器为词性标记标注IOB词块 tagged_pos_tags=self.tagger.tag(pos_tags) #提取词块标记 chunktags=[chunktagfor(pos,chunktag)intagged_pos_tags] #将词块标记与原句组合 conlltags=[(word,pos,chunktag)for((word,pos),chunktag) inzip(sentence,chunktags)] #转换成词块树 returnnltk.chunk.conlltags2tree(conlltags)
声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。
评论(0)