NLTK正则表达式示例https://arxiv.org/pdf/1811.11008.pdf

Question

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

[在最后一页上，它描述了使用以下示例提取标记为'NP JJ'的语法中定义的内容：营业利润率为8.3％，而去年同期为11.8％。

我希望看到标有'NP JJ'的叶子，但我没有。为什么要（正则表达式相对较新。）

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，请参见How to use nltk regex pattern to extract a specific phrase chunk?

让我们看看这句话的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))

[out]：

[('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！任何标签中均没有JJ

在该句子中的任何POS中都没有JJ标签。

回到纸张[C​​0]

https://arxiv.org/pdf/1811.11008.pdf

不过，不是最终目标；最终目标是根据某些启发法生成NP JJ或UP标签。

让我们改写步骤：

1. 使用解析器解析句子（在这种情况下，使用某种语法的正则表达式解析器]

2. [标识该句子具有a pattern可以告知使用最终标签的信号。

   2a。遍历分析树以提取another pattern，它向我们介绍了性能指标和数值。

   2b。使用提取的提取数值使用某些启发式

   确定方向性DOWN /UP

   2c。用（2b）中标识的DOWN / UP标记句子。

   让我们看看我们可以首先构建哪个组件。

2b。提取另一个模式

，向我们介绍性能指标和数值。

我们知道输出的一定比例始终是]的[C0

Down
因此，请尝试将其纳入语法中。 
CD NN
[out]：
('8.3', 'CD'), ('%', 'NN')
('11.8', 'CD'), ('%', 'NN')
现在，我们怎么得到这个：
识别出该句子具有可以告诉使用最终标签的模式。

我们知道“与...相比……”是一个很好的模式，所以让我们尝试对其进行编码。