Question

我正在尝试使用NLTK来解析俄语文本，但它不适用于А等缩写和缩写。 И. Манташева和Я. Вышинский。

相反，它会像下面那样打破：

организовывалзабастовкиидемонстрации，поднималрабочихнабакинскихпредприятияхА。

И。

Манташева。

当我使用https://github.com/mhq/train_punkt的russian.pickle时，它也是如此这是一般的NLTK限制还是语言特定的？

Answer 1

正如一些评论暗示的那样，你想要使用的是Punkt句子分段器/标记器。

NLTK或语言特定？

都不是。正如您所意识到的，您不能简单地在每个时期分开。 NLTK附带了几个使用不同语言培训的Punkt分段器。但是，如果您遇到问题，最好的办法是使用更大的培训语料库来为Punkt tokenizer学习。

文档链接

示例实施

以下是指向正确方向的代码的一部分。您应该能够通过提供俄语文本文件为自己做同样的事情。其中一个来源可能是Russian version的Wikipedia database dump，但我认为这是潜在的次要问题。

import logging
try:
    import cPickle as pickle
except ImportError:
    import pickle
import nltk


def create_punkt_sent_detector(fnames, punkt_fname, progress_count=None):
    """Makes a pass through the corpus to train a Punkt sentence segmenter.

    Args:
        fname: List of filenames to be used for training.
        punkt_fname: Filename to save the trained Punkt sentence segmenter.
        progress_count: Display a progress count every integer number of pages.
    """
    logger = logging.getLogger('create_punkt_sent_detector')

    punkt = nltk.tokenize.punkt.PunktTrainer()

    logger.info("Training punkt sentence detector")

    doc_count = 0
    try:
        for fname in fnames:
            with open(fname, mode='rb') as f:
                punkt.train(f.read(), finalize=False, verbose=False)
                doc_count += 1
                if progress_count and doc_count % progress_count == 0:
                    logger.debug('Pages processed: %i', doc_count)
    except KeyboardInterrupt:
        print 'KeyboardInterrupt: Stopping the reading of the dump early!'

    logger.info('Now finalzing Punkt training.')

    punkt.finalize_training(verbose=True)
    learned = punkt.get_params()
    sbd = nltk.tokenize.punkt.PunktSentenceTokenizer(learned)
    with open(punkt_fname, mode='wb') as f:
        pickle.dump(sbd, f, protocol=pickle.HIGHEST_PROTOCOL)

    return sbd


if __name__ == 'main':
    punkt_fname = 'punkt_russian.pickle'
    try:
        with open(punkt_fname, mode='rb') as f:
            sent_detector = pickle.load(f)
    except (IOError, pickle.UnpicklingError):
        sent_detector = None

    if sent_detector is None:
        corpora = ['russian-1.txt', 'russian-2.txt']
        sent_detector = create_punkt_sent_detector(fnames=corpora,
                                                   punkt_fname=punkt_fname)

    tokenized_text = sent_detector.tokenize("some russian text.",
                                            realign_boundaries=True)
    print '\n'.join(tokenized_text)

Answer 2

您可以从https://github.com/Mottl/ru_punkt中获取经过培训的俄语句子标记器，该标记器可以处理俄语名称的缩写和缩写。

text = ("организовывал забастовки и демонстрации, ",
        "поднимал рабочих на бакинских предприятиях А.И. Манташева.")
print(tokenizer.tokenize(text))

输出：

['организовывал забастовки и демонстрации, поднимал рабочих на бакинских предприятиях А.И. Манташева.']

NLTK可以识别首字母后跟点吗？

2 个答案:

NLTK或语言特定？

文档链接

示例实施