名词短语合并后如何获得句子的正确 pos 标签？答案

【问题标题】：How do I get the correct pos tags for a sentence after noun phrase merging?名词短语合并后如何获得句子的正确 pos 标签？
【发布时间】：2019-06-14 14:10:00
【问题描述】：

我正在尝试在一个句子中合并名词短语块，然后获取合并文档中每个标记的 pos 标签。但是，对于每个合并的跨度，我似乎得到了跨度中第一个标记的 pos 标记（通常是 DET 或 ADJ）而不是 NOUN。

代码如下：

def noun_chunk_retokenizer(doc):
    with doc.retokenize() as retokenizer:
        for chunk in doc.noun_chunks:
            retokenizer.merge(chunk)
    return doc

nlp = spacy.load('en_core_web_sm')
nlp.add_pipe(noun_chunk_retokenizer)

query = "when is the tennis match happening?"
[(c.text,c.pos_) for c in nlp(query)]

这是我得到的结果：

[('when', 'ADV'),
 ('is', 'VERB'),
 ('the tennis match', 'DET'),
 ('happening', 'VERB'),
 ('?', 'PUNCT')]

但我希望“网球比赛”被标记为“名词”，这就是它在 displacy 演示中的工作方式：https://explosion.ai/demos/displacy?

似乎应该有一个“标准”的方式来做到这一点，但我不确定如何。

【问题讨论】：

尝试将attrs={"POS": "NOUN"} 添加到merge 方法中：retokenizer.merge(chunk, attrs={"POS": "NOUN"})
我想通了，nvm。 merge_noun_chunks 已经是一个内置的管道组件，我可以直接使用它而不是编写一个函数来完成它。仍然很想知道这到底是如何工作的。
这里是链接，以防其他人有同样的问题：spacy.io/usage/processing-pipelines#built-in

标签： python python-3.x spacy

【解决方案1】：

您应该使用built-in merge_noun_chunks component。见Pipeline Functions documenation：

将名词块合并为一个标记。也可以通过字符串名称"merge_noun_chunks" 获得。初始化后，组件通常使用nlp.add_pipe 添加到处理管道中。

您的字符串的示例用法：

import spacy
nlp = spacy.load('en_core_web_sm')
nlp.add_pipe(nlp.create_pipe('merge_noun_chunks'))
query = "when is the tennis match happening?"
[(c.text,c.pos_) for c in nlp(query)]

输出：

[('when', 'ADV'),
 ('is', 'VERB'),
 ('the tennis match', 'NOUN'),
 ('happening', 'VERB'),
 ('?', 'PUNCT')]

至于“如何在源代码中完成”的问题请参考第7行的spacy Github repo、/spaCy/blob/master/spacy/pipeline/functions.py文件：

def merge_noun_chunks(doc):
    """Merge noun chunks into a single token.
    doc (Doc): The Doc object.
    RETURNS (Doc): The Doc object with merged noun chunks.
    DOCS: https://spacy.io/api/pipeline-functions#merge_noun_chunks
    """
    if not doc.is_parsed:
        return doc
    with doc.retokenize() as retokenizer:
        for np in doc.noun_chunks:
            attrs = {"tag": np.root.tag, "dep": np.root.dep}
            retokenizer.merge(np, attrs=attrs)
    return doc

【讨论】：