Python 如何避免NLTK'；缩略语上的句子标记符拆分？

我目前正在使用NLTK进行语言处理，但我遇到了一个句子标记化的问题

问题是： 假设我有一句话：“图2显示了美国地图。” 当我使用punkt标记器时，我的代码如下所示：

from nltk.tokenize.punkt import PunktSentenceTokenizer, PunktParameters
punkt_param = PunktParameters()
abbreviation = ['U.S.A', 'fig']
punkt_param.abbrev_types = set(abbreviation)
tokenizer = PunktSentenceTokenizer(punkt_param)
tokenizer.tokenize('Fig. 2 shows a U.S.A. map.')

它返回以下内容：

['Fig. 2 shows a U.S.A.', 'map.']

标记器无法检测缩写“U.S.A.”，但它在“fig”上起作用。 现在，当我使用默认标记器时，NLTK提供：

import nltk
nltk.tokenize.sent_tokenize('Fig. 2 shows a U.S.A. map.')

这次我得到：

['Fig.', '2 shows a U.S.A. map.']

它能识别更常见的“美国”，但看不到“fig”

---

如何将这两种方法结合起来？我想使用默认的缩写选项，同时添加我自己的缩写。

我认为缩写列表中的小写字母u.s.a对您很合适 试试这个

from nltk.tokenize.punkt import PunktSentenceTokenizer, PunktParameters
punkt_param = PunktParameters()
abbreviation = ['u.s.a', 'fig']
punkt_param.abbrev_types = set(abbreviation)
tokenizer = PunktSentenceTokenizer(punkt_param)
tokenizer.tokenize('Fig. 2 shows a U.S.A. map.')

它将此返回给我：

['Fig. 2 shows a U.S.A. map.']