如何使用Python nltk.tokenize [duplicate]将包含停用词的短语视为单个标记

Question

这个问题与以下内容完全相同：

• How to prevent splitting specific words or phrases and numbers in NLTK? 2回答

可以通过使用nltk.tokenize删除一些不必要的停用词来标记字符串。但是，如何将包含停用词的短语标记为单个标记，同时删除其他停用词？

例如：

输入：特朗普是美国总统。

产出：['特朗普'，'美国总统']

我怎样才能得到刚刚删除'是'和第一个'''但不删除'of'和第二个'the'的结果？

Answer 1

您可以使用nltk的Multi-Word Expression Tokenizer，它允许将多字表达式合并为单个标记。您可以创建多字表达式的词典并向其添加条目，如下所示：

from nltk.tokenize import MWETokenizer
mwetokenizer = MWETokenizer([('President','of','the','United','States')], separator=' ')
mwetokenizer.add_mwe(('President','of','France'))

请注意，MWETokenizer将标记化文本列表作为输入，并对其进行重新标记。所以，首先将句子标记为例如。与word_tokenize()，然后将其提供给MWETokenizer：

from nltk.tokenize import word_tokenize
sentence = "Trump is the President of the United States, and Macron is the President of France."
mwetokenized_sentence = mwetokenizer.tokenize(word_tokenize(sentence))
# ['Trump', 'is', 'the', 'President of the United States', ',', 'and', 'Macron', 'is', 'the', 'President of France', '.']

然后，过滤掉停用词以获得最终过滤的标记化句子：

from nltk.corpus import stopwords
stop_words = set(stopwords.words('english'))
filtered_sentence = [token for token in mwetokenizer.tokenize(word_tokenize(sentence)) if token not in stop_words]
print(filtered_sentence)

输出：

['Trump', 'President of the United States', ',', 'Macron', 'President of France', '.']