对于nltk 3.1版,在
nltk/tag/__init__.py内,pos_tag的定义如下:
from nltk.tag.perceptron import PerceptronTagger
def pos_tag(tokens, tagset=None):
tagger = PerceptronTagger()
return _pos_tag(tokens, tagset, tagger)
因此,对pos_tag的每次调用都首先实例化PerceptronTagger,这需要一些时间,因为它涉及loading a pickle file._pos_tag simply calls tagger.tag当tagset为None时.
因此,您可以通过加载文件一次来节省一些时间,并自己调用tagger.tag而不是调用pos_tag:
from nltk.tag.perceptron import PerceptronTagger
tagger = PerceptronTagger()
def __remove_stop_words(self, tokenized_text, stop_words, tagger=tagger):
sentences_pos = tagger.tag(tokenized_text)
filtered_words = [word for (word, pos) in sentences_pos
if pos not in stop_words and word not in stop_words]
return filtered_words
在多次调用_pos_tag之前,pos_tag_sents使用与上面相同的技巧 – it instantiates PerceptronTagger once.因此,使用上面的代码可以获得类似的性能提升,就像重构和调用pos_tag_sents一样.
此外,如果stop_words是一个长列表,您可以通过设置stop_words来节省一些时间:
stop_words = set(stop_words)
因为检查集合中的成员资格(例如,不在stop_words中的pos)是O(1)(恒定时间)操作,而检查列表中的成员资格是O(n)操作(即,它需要的时间与该长度成比例地增长.列表).