Question

我正在尝试使用下面提到的带有POS标记的文本的规则来提取短语

1）NNP - > NNP（ - ＆gt;表示后面跟着） 2）NNP - > CC - ＆gt; NNP 3）VP - > NP 等。

我已经用这种方式编写代码，有人可以告诉我如何以更好的方式做。

    List<String> nounPhrases = new ArrayList<String>();
    for (List<HasWord> sentence : documentPreprocessor) {

        //System.out.println(sentence.toString());
        System.out.println(Sentence.listToString(sentence, false));
        List<TaggedWord> tSentence = tagger.tagSentence(sentence);


        String lastTag = null, lastWord = null;
        for (TaggedWord taggedWord : tSentence) {
            if (lastTag != null && taggedWord.tag().equalsIgnoreCase("NNP") && lastTag.equalsIgnoreCase("NNP")) {
                nounPhrases.add(taggedWord.word() + " " + lastWord);
                //System.out.println(taggedWord.word() + " " + lastWord);

            }
            lastTag = taggedWord.tag();
            lastWord = taggedWord.word();
        }

    }

在上面的代码中，我只为NNP做了后续NNP提取，我如何推广它，以便我也可以添加其他规则。我知道有可用的库，但是想手动完成。

Answer 1

也许你应该尝试使用Chunker。您可以尝试OpenNLP Chunker。看起来你对POS使用相同的标签集。你可以在这里找到用法：

http://opennlp.apache.org/documentation/1.5.2-incubating/manual/opennlp.html#tools.chunker

输入示例：

Rockwell_NNP International_NNP Corp._NNP 's_POS Tulsa_NNP unit_NN said_VBD it_PRP signed_VBD a_DT tentative_JJ agreement_NN extending_VBG its_PRP$ contract_NN with_IN Boeing_NNP Co._NNP to_TO provide_VB structural_JJ parts_NNS for_IN Boeing_NNP 's_POS 747_CD jetliners_NNS ._.

输出：

[NP Rockwell_NNP International_NNP Corp._NNP ] [NP 's_POS Tulsa_NNP unit_NN ] [VP said_VBD ] [NP it_PRP ] [VP signed_VBD ] [NP a_DT tentative_JJ agreement_NN ] [VP extending_VBG ] [NP its_PRP$ contract_NN ] [PP with_IN ] [NP Boeing_NNP Co._NNP ] [VP to_TO provide_VB ] [NP structural_JJ parts_NNS ] [PP for_IN ] [NP Boeing_NNP ] [NP 's_POS 747_CD jetliners_NNS ] ._.

Answer 2

现有的大多数库实现都会创建一个有限状态机来实现此功能。它们可靠，高效且开放。然而，一个非常天真的实现思路可以是在POS-Tag数组上制定正则表达式，然后使用偏移来标记短语。听起来合乎逻辑且简单，但可能不正确。

如何编写有效的代码来提取名词短语？

2 个答案: