POS-Tagger 非常慢

Question

我正在使用

nltk

通过首先删除给定的停用词来从句子生成 n-gram。然而，

nltk.pos_tag()

非常慢，在我的 CPU（Intel i7）上最多需要 0.6 秒。

输出：

['The first time I went, and was completely taken by the live jazz band and atmosphere, I ordered the Lobster Cobb Salad.']
0.620481014252
["It's simply the best meal in NYC."]
0.640982151031
['You cannot go wrong at the Red Eye Grill.']
0.644664049149

代码：

for sentence in source:

    nltk_ngrams = None

    if stop_words is not None:   
        start = time.time()
        sentence_pos = nltk.pos_tag(word_tokenize(sentence))
        print time.time() - start

        filtered_words = [word for (word, pos) in sentence_pos if pos not in stop_words]
    else:
        filtered_words = ngrams(sentence.split(), n)

这真的那么慢还是我在这里做错了什么？

Answer 1

使用

pos_tag_sents

标记多个句子：

>>> import time
>>> from nltk.corpus import brown
>>> from nltk import pos_tag
>>> from nltk import pos_tag_sents
>>> sents = brown.sents()[:10]
>>> start = time.time(); pos_tag(sents[0]); print time.time() - start
0.934092998505
>>> start = time.time(); [pos_tag(s) for s in sents]; print time.time() - start
9.5061340332
>>> start = time.time(); pos_tag_sents(sents); print time.time() - start 
0.939551115036

Answer 2

nltk pos_tag is defined as:
from nltk.tag.perceptron import PerceptronTagger
def pos_tag(tokens, tagset=None):
    tagger = PerceptronTagger()
    return _pos_tag(tokens, tagset, tagger)

因此每次调用 pos_tag 都会实例化 perceptrontagger 模块，这会占用大量计算时间。您可以通过直接调用 tagger.tag 来节省时间：

from nltk.tag.perceptron import PerceptronTagger
tagger=PerceptronTagger()
sentence_pos = tagger.tag(word_tokenize(sentence))

Answer 3

如果您正在寻找另一个在 Python 中具有快速性能的 POS 标注器，您可能想尝试 RDRPOSTagger。例如，英文词性标注，Python单线程实现标注速度为8K字/秒，使用Core 2Duo 2.4GHz的计算机。只需使用多线程模式即可获得更快的标记速度。与最先进的标注器相比，RDRPOSTagger 获得了非常有竞争力的准确性，现在支持 40 种语言的预训练模型。请参阅本文中的实验结果。

Answer 4

如果您使用嵌套列表，您应该展平并使用单个列表 这将帮助您提高StanfordPOSTagger的速度