Python 泰米尔语组块

我想为泰米尔语使用NLTK chunker，这是一种印度语

未决问题 如果我们对正则表达式使用re模块，那么Python的正则表达式 表达式引擎生成超过最大递归深度的错误 在处理非常大的文本时，即使对于 应该不需要任何递归。因此，我们使用pre模块 相反但请注意，pre不包括Unicode支持，所以 此模块不适用于unicode字符串

有没有关于变通方法或其他方法的建议？

你可以用的是泰米尔语

---

您可以查看在线演示。

分块器是特定于语言的，所以您需要为泰米尔语培训一个。当然，如果您对现有的现成解决方案感到满意，我不知道是否有，例如，如果现在删除的答案中的链接很好，您可以停止阅读此处。如果没有，你可以自己训练，但你需要一个语料库，用你想识别的词块进行注释：也许你在寻找NP词块——通常情况下是这样，但可能是别的

有了注释语料库后，请仔细阅读NLTK书的第6章和第7章，尤其是。第7章从nltk的regexp分块器开始，继续阅读，您将看到如何构建一个不依赖nltk的基于regexp的分块引擎的序列分类器。这是必不可少的，所以不要跳过它

---

这不是一项简单的任务：您需要了解分类器方法，将各个部分组合在一起，可能将语料库转换为，最后选择能够提供令人满意性能的功能。但它非常简单，可以用于任何语言或组块任务，只要有带注释的语料库。唯一开放的部分是想出上下文线索，您可以将其转换为特征，以帮助分类器正确地做出决定，并进行试验，直到找到一个好的组合。另一方面，这是一种比基于纯regexp的解决方案更强大的方法，即使对于ascii文本也是如此。

虽然此链接可以回答问题，但最好在此处包含答案的基本部分，并提供链接供参考。如果链接页面发生更改，仅链接的答案可能无效。-答案是参考其他库/软件，这是答案的基本部分。我还设置了网站的主页链接，以防特定链接失效，用户仍然可以访问主网站并找到解决方案。@Ashok Ramachandran-你能拼凑泰米尔语句子吗？泰米尔语浅层语法分析器：为什么会有否决票？该问题不仅明确说明，而且还附有记录该问题的参考资料。可以通过使其更加通用来改进：任何需要Unicode的语言都可以从答案中受益。