Question

使用nltk是否有一种简单的方法可以确定给定单词没有上下文的最可能的词性标记。或者，如果没有使用任何其他工具/数据集。

我尝试使用wordnet，但似乎sysnets没有按可能性排序。

>>> wn.synsets('says')

[Synset('say.n.01'), Synset('state.v.01'), ...]

Answer 1

如果您想在没有上下文的情况下尝试标记，那么您正在寻找某种unigram标记器，即looup tagger。 unigram标记器仅根据给定单词的标记的频率标记单词。因此它避免了上下文启发式，但是对于任何标记任务，您必须拥有数据。而对于unigrams你需要注释数据来训练它。请参阅nltk教程http://nltk.googlecode.com/svn/trunk/doc/book/ch05.html中的lookup tagger。

以下是在NLTK

中训练/测试unigram标记器的另一种方法

>>> from nltk.corpus import brown
>>> from nltk import UnigramTagger as ut
>>> brown_sents = brown.tagged_sents()
# Split the data into train and test sets.
>>> train = int(len(brown_sents)*90/100) # use 90% for training
# Trains the tagger
>>> uni_tag = ut(brown_sents[:train]) # this will take some time, ~1-2 mins
# Tags a random sentence
>>> uni_tag.tag ("this is a foo bar sentence .".split())
[('this', 'DT'), ('is', 'BEZ'), ('a', 'AT'), ('foo', None), ('bar', 'NN'), ('sentence', 'NN'), ('.', '.')]
# Test the taggers accuracy.
>>> uni_tag.evaluate(brown_sents[train+1:]) # evaluate on 10%, will also take ~1-2 mins
0.8851469586629643

我不建议使用WordNet进行pos标记，因为只有很多单词仍然没有wordnet中的条目。但是你可以看一下在wordnet中使用引理频率，参见How to get the wordnet sense frequency of a synset in NLTK?。这些频率基于SemCor语料库（http://www.cse.unt.edu/~rada/downloads.html）

没有使用nltk的上下文的词性标记

1 个答案: