如何从文本文档中查找常用短语

Question

我有一个包含大量注释/句子的文本文件，我想以某种方式找到文档本身重复的最常见的短语。我尝试用NLTK稍微摆弄它，我找到了这个帖子：How to extract common / significant phrases from a series of text entries

然而，在尝试之后，我得到了如下奇怪的结果：

>>> finder.apply_freq_filter(3)
>>> finder.nbest(bigram_measures.pmi, 10)
[('m', 'e'), ('t', 's')]

在另一个文件中，“这很有趣”是非常常见的，我得到一个空列表[]。

我应该怎么做呢？

这是我的完整代码：

import nltk
from nltk.collocations import *
bigram_measures = nltk.collocations.BigramAssocMeasures()
trigram_measures = nltk.collocations.TrigramAssocMeasures()

# change this to read in your data
finder = BigramCollocationFinder.from_words('MkXVM6ad9nI.txt')

# only bigrams that appear 3+ times
finder.apply_freq_filter(3)

# return the 10 n-grams with the highest PMI
print finder.nbest(bigram_measures.pmi, 10)

Answer 1

我没有使用nltk，但我怀疑问题是from_words接受字符串或标记（？）对象。

类似于

的东西

with open('MkXVM6ad9nI.txt') as wordfile:
    text = wordfile.read)

tokens = nltk.wordpunct_tokenize(text)
finder = BigramCollocationFinder.from_words(tokens)

可能会起作用，尽管可能还有专门的文件API。