Question

我有一个POS标记的平行语料库文本文件，我想在其中进行单词重新排序，以便“可分离的短语动词粒子”出现在短语动词的“动词”旁边（'制定计划'而不是'制定计划'）。这用于统计机器翻译系统中的预处理。以下是POS标记文本文件中的一些示例行：

you_PRP mean_VBP we_PRP should_MD kick_VB them_PRP out_RP ._。
don_VB't_NNP take_VB it_PRP off_RP until_IN I_PRP say_VBP so_RB ._。
please_VB help_VB the_DT man_NN out_RP ._。
shut_VBZ it_PRP down_RP！_。

我想将所有粒子（在示例中：out_RP，off_RP，out_RP，down_RP）移动到最近的前一个动词旁边（即与粒子组合构成短语动词的动词）。这是更改单词顺序后的行应该是什么：

you_PRP mean_VBP we_PRP should_MD kick_VB out_RP them_PRP ._。
don_VB't_NNP take_VB off_RP it_PRP until_IN I_PRP say_VBP so_RB ._。
please_VB help_VB out_RP the_DT man_NN ._。
shut_VBZ down_RP it_PRP！_。

到目前为止，我已尝试使用python和正则表达式来使用re.findall对问题进行排序：

import re 

file=open('first100k.txt').read()
matchline3='\w*_VB.?\s\w*_DT\s\w*_NN\s\w*_RP'
wordorder1=re.findall(matchline3,file)
print wordorder1

这将按字顺序1找到所有的短语动词（见下文），但这是因为我无法弄清楚如何移动动词旁边的粒子。任何想法如何正确解决这个问题（不一定使用python和正则表达式）？我希望能够搜索所有短语动词，并按照以下单词顺序移动粒子：

（使用的标签取自Penn Treebank标签集（http://www.ling.upenn.edu/courses/Fall_2003/ling001/penn_treebank_pos.html）（x表示可选字符以包含所有动词形式，*表示通配符））

* _ VBX + * _ DT + * _ NN + * _ RP
* _ VBX + * _ DT + * _ NNS + * _ RP
* _ VBX + * _DT + * _。JJ + * _ NN + * _ RP
* _ VBX + * _DT + * _。JJ + * _ NNS + * _ RP
* _ VBX + * _ PRP $ + * _ NN + * _ RP
* _ VBX + * _ PRP $ + * _ NNS + * _ RP
* _ VBX + * _PRP $ + * _。JJ + * _ NN + * _ RP
* _ VBX + * _PRP $ + * _。JJ + * _ NNS + * _ RP
* _ VBX + * _ NNP + * _ RP
* _ VBX + * _ JJ + * _ NNP + * _ RP
* _ VBX + * _ +专业NNP * _ RP
* _ VBx + * _ PRP + * _ RP

提前感谢您的帮助！

Answer 1

我不建议在这里使用正则表达式。它绝对不像在空格上拆分后迭代每一行那样直观，可能重新排列列表，最后加入。你可以尝试这样的事情，

reordered_corpus = open('reordered_corpus.txt', 'w')
with open('corpus.txt', 'r') as corpus:
    for phrase in corpus:
        phrase = phrase.split()                 # split on whitespace
        vb_index = rp_index = -1                # variables for the indices
        for i, word_pos in enumerate(phrase):
            pos = word_pos.split('_')[1]        # POS at index 1 splitting on _
            if pos == 'VB' or pos == 'VBZ':     # can add more verb POS tags
                vb_index = i
            elif vb_index >= 0 and pos == 'RP': # or more particle POS tags
                rp_index = i
                break                           # found both so can stop
        if vb_index >= 0 and rp_index >= 0:     # do any rearranging
            phrase = phrase[:vb_index+1] + [phrase[rp_index]] + \
                     phrase[vb_index+1:rp_index] + phrase[rp_index+1:]
        reordered_corpus.write(' '.join(word_pos for word_pos in phrase)+'\n')
reordered_corpus.close()

使用此代码，如果corpus.txt读取，

you_PRP mean_VBP we_PRP should_MD kick_VB them_PRP out_RP ._.
don_VB 't_NNP take_VB it_PRP off_RP until_IN I_PRP say_VBP so_RB ._.
please_VB help_VB the_DT man_NN out_RP ._.
shut_VBZ it_PRP down_RP !_.

运行后

，reordered_corpus.txt将是，

you_PRP mean_VBP we_PRP should_MD kick_VB out_RP them_PRP ._.
don_VB 't_NNP take_VB off_RP it_PRP until_IN I_PRP say_VBP so_RB ._.
please_VB help_VB out_RP the_DT man_NN ._.
shut_VBZ down_RP it_PRP !_.

如何在POS标记的语料库文件中更改短语动词的词序

1 个答案: