Question

我正在尝试拆分一个包含多个单词标签的术语，例如“#I-am-great”或“＃awesome-dayofmylife”
那么我要找的输出是：

 I am great
 awesome day of my life

我所能做到的只有：

 >>> import re
 >>> name = "big #awesome-dayofmylife because #iamgreat"
 >>> name =  re.sub(r'#([^\s]+)', r'\1', name)
 >>> print name
 big awesome-dayofmylife because iamgreat

如果我被问到是否有可能的单词列表，那么答案是“否”，所以如果我能得到指导，那就太好了。任何NLP专家？

Answer 1

上面的所有评论员当然都是正确的：单词之间没有空格或其他清晰分隔符的标签（特别是英语）通常是模棱两可的，无法在所有情况下正确解析。

然而，单词列表的想法实现起来相当简单，但可能会产生有用的（虽然有时是错误的）结果，所以我实现了它的快速版本：

wordList = '''awesome day of my life because i am great something some
thing things unclear sun clear'''.split()

wordOr = '|'.join(wordList)

def splitHashTag(hashTag):
  for wordSequence in re.findall('(?:' + wordOr + ')+', hashTag):
    print ':', wordSequence   
    for word in re.findall(wordOr, wordSequence):
      print word,
    print

for hashTag in '''awesome-dayofmylife iamgreat something
somethingsunclear'''.split():
  print '###', hashTag
  splitHashTag(hashTag)

打印：

### awesome-dayofmylife
: awesome
awesome
: dayofmylife
day of my life
### iamgreat
: iamgreat
i am great
### something
: something
something
### somethingsunclear
: somethingsunclear
something sun clear

正如你所看到的，它陷入了qstebom为它设定的陷阱; - ）

编辑：

上述代码的一些解释：

变量wordOr包含所有单词的字符串，用竖线符号（|）分隔。在正则表达式中，这意味着“其中一个单词”。

第一个findall得到一个模式，意思是“这些单词中的一个或多个的序列”，因此它匹配“dayofmylife”之类的内容。 findall找到所有这些序列，因此我迭代它们（for wordSequence in …）。对于每个单词序列，我搜索序列中的每个单词（也使用findall）并打印该单词。

Answer 2

问题可以分解为几个步骤：

使用英语单词填充列表
将句子拆分为由空格分隔的术语。
将以“＃”开头的字词视为主题标签
对于每个主题标签，通过检查它们是否存在于单词列表中来查找最长匹配的单词。

以下是使用此方法的一种解决方案：

# Returns a list of common english terms (words)
def initialize_words():
    content = None
    with open('C:\wordlist.txt') as f: # A file containing common english words
        content = f.readlines()
    return [word.rstrip('\n') for word in content]


def parse_sentence(sentence, wordlist):
    new_sentence = "" # output    
    terms = sentence.split(' ')    
    for term in terms:
        if term[0] == '#': # this is a hashtag, parse it
            new_sentence += parse_tag(term, wordlist)
        else: # Just append the word
            new_sentence += term
        new_sentence += " "

    return new_sentence 


def parse_tag(term, wordlist):
    words = []
    # Remove hashtag, split by dash
    tags = term[1:].split('-')
    for tag in tags:
        word = find_word(tag, wordlist)    
        while word != None and len(tag) > 0:
            words.append(word)            
            if len(tag) == len(word): # Special case for when eating rest of word
                break
            tag = tag[len(word):]
            word = find_word(tag, wordlist)
    return " ".join(words)


def find_word(token, wordlist):
    i = len(token) + 1
    while i > 1:
        i -= 1
        if token[:i] in wordlist:
            return token[:i]
    return None 


wordlist = initialize_words()
sentence = "big #awesome-dayofmylife because #iamgreat"
parse_sentence(sentence, wordlist)

打印：

'big awe some day of my life because i am great '

您必须删除尾随空格，但这很容易。：）

我从http://www-personal.umich.edu/~jlawler/wordlist获得了单词列表。

术语由多个单词的标签分割

2 个答案: