Python 如何在NLTK中获取语法集的wordnet感知频率？

根据文档，我可以在nltk中加载感官标记语料库，如下所示：

>>> from nltk.corpus import wordnet_ic
>>> brown_ic = wordnet_ic.ic('ic-brown.dat')
>>> semcor_ic = wordnet_ic.ic('ic-semcor.dat')

我还可以获得

定义

，

位置

，

偏移量

，

示例

：

>>> wn.synset('dog.n.01').examples
>>> wn.synset('dog.n.01').definition

但是如何从语料库中获取语法集的频率呢？来分解这个问题：

首先，如何计算语义标记语料库中一个语法集出现的次数

然后，下一步是将计数除以给定特定引理的所有语法集出现的计数总数

---

我设法这样做了

from nltk.corpus import wordnet as wn

word = "dog"
synsets = wn.synsets(word)

sense2freq = {}
for s in synsets:
  freq = 0  
  for lemma in s.lemmas:
    freq+=lemma.count()
  sense2freq[s.offset+"-"+s.pos] = freq

for s in sense2freq:
  print s, sense2freq[s]

---

如果您只需要知道最频繁的单词是什么，您可以执行

wn.synsets（word）[0]

，因为WordNet通常会将它们从最频繁到最不频繁进行排序

---

（来源：Daniel Jurafsky's Speech and Language Processing第二版）

在文档的引理部分，它显示了一些计数，但我不确定它们是什么，我不会依赖引理。计数（），许多条目为零，并且没有获取频率数据的信息形式。另请参见关于0计数的注释。这是一种蹩脚的平滑，但我用拉普拉斯平滑了它。至少得到0.001比0好，并且破坏管道中的其他子系统=）