Python NLTK将标记化句子转换为synset格式
我希望使用NLTK获得单个单词和句子中每个单词之间的相似性 NLTK可以获得两个特定单词之间的相似性,如下所示。该方法要求给出单词的特定引用,在本例中为“dog.n.01”,其中dog是名词,我们希望使用第一(01)个NLTK定义Python NLTK将标记化句子转换为synset格式,python,nltk,sentiment-analysis,Python,Nltk,Sentiment Analysis,我希望使用NLTK获得单个单词和句子中每个单词之间的相似性 NLTK可以获得两个特定单词之间的相似性,如下所示。该方法要求给出单词的特定引用,在本例中为“dog.n.01”,其中dog是名词,我们希望使用第一(01)个NLTK定义 dog = wordnet.synset('dog.n.01') cat = wordnet.synset('cat.n.01') print dog.path_similarity(cat) >> 0.2 问题是我需要从句子中的每个单词中获取词性信息
dog = wordnet.synset('dog.n.01')
cat = wordnet.synset('cat.n.01')
print dog.path_similarity(cat)
>> 0.2
问题是我需要从句子中的每个单词中获取词性信息。NLTK包能够获取句子中每个单词的词性,如下所示。但是,这些语音部分(“NN”、“VB”、“PRP”…)与synset用作参数的格式不匹配
text = word_tokenize("They refuse to permit us to obtain the refuse permit")
pos_tag(text)
>> [('They', 'PRP'), ('refuse', 'VBP'), ('to', 'TO'), ('permit', 'VB'), ('us', 'PRP'), ('to', 'TO'), ('obtain', 'VB'), ('the', 'DT'), ('refuse', 'NN'), ('permit', 'NN')]
是否可以从NLTK中的pos_tag()结果中获取synset格式的数据?synset formatted是指类似于
dog.n.01
的格式,您可以使用wordnet.synset的替代形式:
wordnet.synset('dog', pos=wordnet.NOUN)
您仍然需要将pos_-tag
提供的标记转换为wordnet.sysnset
支持的标记——不幸的是,我不知道有预构建的字典会这样做,因此(除非我缺少这样一个对应表),您需要构建自己的(您可以这样做一次,然后对其进行酸洗以备后续重新加载)
参见第1分章,关于如何获取特定标记集的帮助——例如nltk.help.upenn_标记集('N.*)
)将确认upenn标记集(我认为是pos_标记所使用的默认标记集)使用'N'后跟一些东西来识别synset
将视为wordnet.NOUN
的变体
我没有试过,但它可能正是您所需要的--试试看!您可以使用一个简单的转换函数:
from nltk.corpus import wordnet as wn
def penn_to_wn(tag):
if tag.startswith('J'):
return wn.ADJ
elif tag.startswith('N'):
return wn.NOUN
elif tag.startswith('R'):
return wn.ADV
elif tag.startswith('V'):
return wn.VERB
return None
在为一个句子添加标签后,您可以使用此函数将句子中的一个单词与一个语法集联系起来。下面是一个示例:
from nltk.stem import WordNetLemmatizer
from nltk import pos_tag, word_tokenize
sentence = "I am going to buy some gifts"
tagged = pos_tag(word_tokenize(sentence))
synsets = []
lemmatzr = WordNetLemmatizer()
for token in tagged:
wn_tag = penn_to_wn(token[1])
if not wn_tag:
continue
lemma = lemmatzr.lemmatize(token[0], pos=wn_tag)
synsets.append(wn.synsets(lemma, pos=wn_tag)[0])
print synsets
结果:[Synset('be.v.01')、Synset('travel.v.01')、Synset('buy.v.01')、Synset('gift.n.01')]/p>我发现了这个lesk
示例,但您的代码似乎给出了更好的结果,我想知道这是为什么(只是好奇):Lesk的工作并不那么好。这段代码工作得更好的唯一原因是它得到了第一个语法集。在wordnet中,语法集是按频率排序的。换句话说,如果我们不考虑上下文,第一个语法集是最有可能的。