前面我分享了一下使用NLTK进行文本数据的预处理工作,这里继续分享一下NLTK的词性标注。
词性(POS)在小学的语文课或者英语课中已经多次强调了其含义,这里就不赘述了。就拿英语来说,它在新闻和其它领域往往都有许多已经被标注的语料库,所以已经有大量的算法在这一领域中得到应用。但是在特定的应用场景中,POS的判定可能有些失灵。对于这些用例,可能需要重新建立一个标注器。
在讨论POS标注时,有一个公认的标准就是Penn Treebank的POS标记库。其原本是一个项目的名称,该项目主要用于对相关语料进行标注,标注内容包括词性标注及句法分析。其语料来源为1989年的华尔街日报。
下面就几个常见的标注器的使用进行一些简单的示例分享。
1. Stanford 标注器
从名字就可以看出其出身,斯坦福大学。又想感叹一句,国内外的大学差距怎么那么大,人家一个搞学术的学校也能出商用的项目和代码,而国内的呢?搞学术的都跟闹着玩一下,评价一个教授的好坏就是看他出了多少篇论文,而其学术对于科技进步的贡献如何评价却没有人去关注。收!回到本文的内容,使用Stanford标注器需要下载一个模块,其下载地址如下: https://nlp.stanford.edu/software/stanford-postagger-2017-06-09.zip
代码:
from nltk.tag.stanford import StanfordPOSTagger import nltk s = 'The tagger was originally written by Kristina Toutanova. ' print(nltk.pos_tag(s)) stan_tagger = StanfordPOSTagger('stanford-postagger-2017-06-09/models/english-bidirectional-distsim.tagger', 'stanford-postagger-2017-06-09/stanford-postagger-3.8.0.jar') tokens = nltk.word_tokenize(s) print(tokens) print(stan_tagger.tag(tokens))
结果:
[('T', 'NNP'), ('h', 'NN'), ('e', 'NN'), (' ', 'NNP'), ('t', 'VBZ'), ('a', 'DT'), ('g', 'NN'), ('g', 'NN'), ('e', 'NN'), ('r', 'NN'), (' ', 'NNP'), ('w', 'VBZ'), ('a', 'DT'), ('s', 'JJ'), (' ', 'NN'), ('o', 'IN'), ('r', 'NN'), ('