我有一个包含许多句子的文本语料库，其中标有一些命名实体。 例如，句子：
威奇托德克萨斯州最好的餐厅是什么？
标记为：
<location>中最好的餐厅是什么？
我想扩展这个语料库，通过对其中已有的所有句子进行取样或采样，并用相同类型的其他类似实体替换命名实体，例如将“wichita texas”替换为“new york”，因此语料库将更大（更多句子）和更完整（其中的实体数量）。我有类似实体的列表，包括那些没有出现在语料库中的实体，但我希望有机会将它们插入我的替换中。
你能推荐一种方法或指导我写一篇论文吗？
答案 0 :(得分：1)
针对您的具体问题： 这种类型的工作，假设您有一个有组织的命名实体列表（如“＆＃39;人员＆＃39;等”的单独列表），通常包括手动删除可能含糊不清的名称（例如，“球衣”可以从您的地点列表中删除，以避免它引用服装的情况。一旦您确信删除了最模糊的名称，只需为每组术语选择一个合适的标签（例如，＃34;位置＆＃34;或者＃34; person＆＃34;）。在包含其中一个单词的每个句子中，将该单词替换为标签。然后，您可以使用您选择的编程语言执行一些基本扩展，以便每个句子包含＆＃39; location＆＃39;每个位置名称都会重复，每个句子都包含“人物”字样。每个人的姓名等都会重复。
有关使用单词类进行聚类的一般概述，请查看开创性的Brown等。人。论文：http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.13.9919&rep=rep1&type=pdf