编辑 NLTK 语料库

【问题标题】：Editing the NLTK Corpus编辑 NLTK 语料库
【发布时间】：2015-03-11 20:13:56
【问题描述】：

除了 nltk 附带的语料库之外，我还想用我自己的语料库来训练它，它遵循相同的词性规则。如何找到它正在使用的语料库，以及如何添加我自己的语料库（另外，不作为替代）？

编辑：这是我目前使用的代码：

inpy = raw_input("$")
text = nltk.word_tokenize(inpy)
d = nltk.pos_tag(text)

【问题讨论】：

【解决方案1】：

NLTK 带有大量不同的语料库。如果您更详细地指定要扩充的语料库，将会有所帮助。 NLTK 中主要的英语 POS 语料库是Brown corpus。另请参阅 http://www.nltk.org/book/ch05.html 以及 http://en.wikipedia.org/wiki/Brown_Corpus 和 http://www.nltk.org/nltk_data/

【讨论】：

我正在使用 UPenn 标签集（我相信。我不是 100% 确定）。我不想增加它们，而是添加一个语料库，这样当它训练分类器时，它可以更准确。
那么它可能是宾夕法尼亚树库的片段； #17 来自最后一个链接。然后，您实际上可能会更好地完全更换它，因为它相当陈旧且坚韧不拔。谷歌搜索英语树库语料库。
stackoverflow.com/questions/8949517/… 和 catalog.ldc.upenn.edu/LDC2012T13 在 Google 搜索结果中排名靠前。