部分语音标记
识别,然后在文本中提取所有动词是很容易使用Part-of-Speech (POS) tagger.这样的标注器标记所有的文本字与指示它们是否是动词,名词,形容词,副词等.现代部分的语音标签POS标签非常准确.例如,Toutanova等. 2003年报道斯坦福大学的开源POS标签为新闻专线数据分配了97.24%的正确标签.
执行POS标记
Java如果你正在使用Java,那么一个很好的POS标签包就是Stanford Log-linear Part-Of-Speech Tagger.Matthew Jockers汇总了一个关于使用这个标记器的精彩教程,你可以找到here.
Python如果您更喜欢Python,可以使用Natural Language Toolkit (nltk)中包含的POS标记器.下面给出了演示如何使用此包执行POS标记的代码片段:
import nltk
text = "I am very happy to be here today"
tokens = nltk.word_tokenize(text)
pos_tagged_tokens = nltk.pos_tag(tokens)
得到的POS标记的标记将是元组的数组,其中每个元组中的第一个条目是标记单词的标识,第二个条目是单词的POS标记,例如,对于上面的代码片段,pos_tagged_tokens将设置为:
[('I', 'PRP'), ('am', 'VBP'), ('very', 'RB'), ('happy', 'JJ'), ('to', 'TO'),
('be', 'VB'), ('here', 'RB'), ('today', 'NN')]
理解标记集
无论是斯坦福POS恶搞和NLTK使用Penn Treebank tag set.如果你在提取的动词有兴趣,拉出来的是有一个“V”开头的POS标签的所有词(如VB,VBD,VBG,VBN,VBP ,和VBZ).