Question

Treetagger可以进行POS标记和文本分块，这意味着提取语言和名词条款，如德国的例子所示：

$ echo 'Das ist ein Test.' | cmd/tagger-chunker-german
    reading parameters ...
    tagging ...
     finished.
<NC>
Das PDS die
</NC>
<VC>
ist VAFIN   sein
</VC>
<NC>
ein ART eine
Test    NN  Test
</NC>
.   $.  .

我正在试图弄清楚如何使用Python中的Treetaggerwrapper（因为它比直接调用Treetagger更快），但我无法弄清楚它是如何完成的。文档将分块称为预处理，因此我尝试使用它：

tags = tagger.tag_text(u"Dieser Satz ist ein Satz.",prepronly=True)

但是输出只是没有添加信息的单词列表。我开始认为Wrapper称之为Chunking的东西与实际的tagger所谓的Chunking不同，但也许我只是缺少一些东西？任何帮助将不胜感激。

Answer 1

原始海报在他的假设中是正确的。 treetaggerwrapper（从版本2.2.4开始）将分块定义为仅仅“预处理文本”，并且在这个意义上并没有完全包装TreeTagger的功能。来自treetaggerwrapper.py：

在基本TreeTagger安装中管理文本的预处理（分块）以代替外部Perl脚本，从而避免每次必须标记一段文本时启动Perl。

但是检查tagger-chunker-german可以看到获取子句和标签是一系列操作，实际上调用了TreeTagger 3次：

$ echo 'Das ist ein Test.' | cmd/tree-tagger-german | perl -nae 'if ($#F==0){print} else {print "$F[0]-$F[1]\n"}' | bin/tree-tagger lib/german-chunker.par -token -sgml -eps 0.00000001 -hyphen-heuristics -quiet | cmd/filter-chunker-output-german.perl | bin/tree-tagger -quiet -token -lemma -sgml lib/german-utf8.par

而treetaggerwrapper的标记命令（显示在tagcmdlist中）实际上是一次性调用（在它自己对文本进行预处理之后）：

bin/tree-tagger -token -lemma -sgml -quiet -no-unknown lib/german-utf8.par

为分块扩展它的入口点是

行

"tagparfile": "german-utf8.par",

您可以在其中定义类似

的内容

"chunkingparfile": "german-chunker.par",

并在tagger-chunker-german操作链之后使用此其他parfile发出对TreeTagger的附加调用。那么你可能仍然需要从cmd/filter-chunker-output-german.perl复制一些额外的逻辑。

Answer 2

使用完整的代码示例会更容易，请提供一个用于进一步的问题，但我试一试。 TreeTaggerWrapper Documentation有一个很好的例子：

>>> import pprint   # For proper print of sequences.
>>> import treetaggerwrapper
>>> #1) build a TreeTagger wrapper:
>>> tagger = treetaggerwrapper.TreeTagger(TAGLANG='en')
>>> #2) tag your text.
>>> tags = tagger.tag_text("This is a very short text to tag.")
>>> #3) use the tags list... (list of string output from TreeTagger).
>>> pprint.pprint(tags)
['This\tDT\tthis',
 'is\tVBZ\tbe',
 'a\tDT\ta',
 'very\tRB\tvery',
 'short\tJJ\tshort',
 'text\tNN\ttext',
 'to\tTO\tto',
 'tag\tVV\ttag',
 '.\tSENT\t.']
>>> # Note: in output strings, fields are separated with tab chars (\t).

请注意，这是Python 3的示例，因为文本前面没有 u 来将其声明为Unicode。这是因为Python 3将Unicode视为默认值，而Python 2.7需要在您的帖子中声明它。这提出了您正在使用哪个Python版本的问题。

<强>分块

Chunking是多标记序列的标记，例如黄狗：

Word - ＆gt;的 POS-代码
- ＆gt; DT（文章）
黄色 - ＆gt; JJ（形容词）
dog - ＆gt; NN（名词）

所有三个单词在一起是一个块，将被标记为NP（名词短语）。

Answer 3

我认为在treetaggerwrapper中他使用二进制文件来执行标记任务，因为我在treetaggerwrapper.py中找到了这个：

    # ----- Set binary by platform.
    if ON_WINDOWS:
        self.tagbin = os.path.join(self.tagbindir, "tree-tagger.exe")
    elif ON_MACOSX or ON_POSIX:
        self.tagbin = os.path.join(self.tagbindir, "tree-tagger")

然后答案是显而易见的，treetagger库本身并没有为chunker提供二进制文件导致treetaggerwrapper和另一个库＆＃34; treetagger-python＆＃34;没有块功能。

使用Python-Treetaggerwrapper进行分块

3 个答案: