NLTK RegEx Chunker 未使用通配符捕获已定义的语法模式

Question

我正在尝试使用 NLTK 的 POS 标签作为正则表达式来分块一个句子。根据句子中单词的标签，定义了2条规则来识别短语。

主要是，我想捕捉一个或多个动词后面跟着一个可选的限定词，然后是一个或多个名词的块。这是定义中的第一条规则。但它不会被捕获为短语块。

import nltk

## Defining the POS tagger 
tagger = nltk.data.load(nltk.tag._POS_TAGGER)


## A Single sentence - input text value
textv="This has allowed the device to start, and I then see glitches which is not nice."
tagged_text = tagger.tag(textv.split())

## Defining Grammar rules for  Phrases
actphgrammar = r"""
     Ph: {<VB*>+<DT>?<NN*>+}  # verbal phrase - one or more verbs followed by optional determiner, and one or more nouns at the end
     {<RB*><VB*|JJ*|NN*\$>} # Adverbial phrase - Adverb followed by adjective / Noun or Verb
     """

### Parsing the defined grammar for  phrases
actp = nltk.RegexpParser(actphgrammar)

actphrases = actp.parse(tagged_text)

分块器的输入，tagged_text 如下。

标记文本 出[7]： [（'这个'，'DT'）， ('有', 'VBZ'), ('允许', 'VBN'), ('the', 'DT'), ('设备', 'NN'), （'到'，'到'）， （'开始'，'NNP'）， ('和', '抄送'), （'我'，'PRP'）， ('那么', 'RB'), （'见'，'VB'）， （'故障'，'NNS'）， （'哪个'，'WDT'）， （'是'，'VBZ'）， （'不是'，'RB'）， ('nice.', 'NNP')]

在最终输出中，仅捕获匹配第二条规则的副词短语（'then see'）。 我希望口头短语（'allowed the device'）与第一条规则匹配并被捕获，但事实并非如此。

actphrases Out[8]: Tree('S', [('This', 'DT'), ('has', 'VBZ'), ('allowed', 'VBN'), ('the', 'DT'), ('device', 'NN'), ('to', 'TO'), ('start,', 'NNP'), ('and', 'CC'), ('I', 'PRP'), Tree('Ph', [('then', 'RB'), ('see', 'VB')]), ('glitches', 'NNS'), ('which', 'WDT'), ('is', 'VBZ'), ('not', 'RB'), ('nice.', 'NNP')])

使用的 NLTK 版本是 2.0.5 (Python 2.7) 任何帮助或建议将不胜感激。

提前致谢，

巴拉。

Answer 1

对您的正则表达式进行关闭但微小的更改将获得您想要的输出。当您想使用RegexpParser 语法获得通配符时，您应该使用.* 而不是*，例如VB.* 而不是 VB*：

>>> from nltk import word_tokenize, pos_tag, RegexpParser
>>> text = "This has allowed the device to start, and I then see glitches which is not nice."
>>> tagged_text = pos_tag(word_tokenize(text))    
>>> g = r"""
... VP: {<VB.*><DT><NN.*>}
... """
>>> p = RegexpParser(g); p.parse(tagged_text)
Tree('S', [('This', 'DT'), ('has', 'VBZ'), Tree('VP', [('allowed', 'VBN'), ('the', 'DT'), ('device', 'NN')]), ('to', 'TO'), ('start', 'VB'), (',', ','), ('and', 'CC'), ('I', 'PRP'), ('then', 'RB'), ('see', 'VBP'), ('glitches', 'NNS'), ('which', 'WDT'), ('is', 'VBZ'), ('not', 'RB'), ('nice', 'JJ'), ('.', '.')])

请注意，您正在捕捉Tree(AdvP, [('then', 'RB'), ('see', 'VB')])，因为标签正是RB 和VB。因此，在这种情况下，语法中的通配符（即 `"""AdvP: {}"""）会被忽略。

另外，如果是两种不同类型的短语，最好使用 2 个标签而不是一个。而且（我认为）通配符后的字符串结尾有点多余，所以最好：

g = r"""
VP:{<VB.*><DT><NN.*>} 
AdvP: {<RB.*><VB.*|JJ.*|NN.*>}
"""