名词短语提取正则表达式

Question

下面给出的RE的解释是什么

r'KT: {(<JJ>* <NN.*>+ <IN>)? <JJ>* <NN.*>+}'

我不知道KT是什么，但JJ是形容词，NN是名词而IN是介词。

编辑：重新发布链接 http://bdewilde.github.io/blog/2014/09/23/intro-to-automatic-keyphrase-extraction/

Answer 1

假设您正在使用Penn part-of-speech tags，

<NN.*>+至少匹配

中的一个

• NN：名词，单数或质量
• NNS：名词，复数
• NNP：专有名词，单数
• NNPS：正确的名词，复数

<JJ>匹配至少为零的形容词（不是比较或最高级），因此这是可选的。

您的RegEx的<JJ>* <NN.*>+部分因此至少匹配一个名词。该名词前面可以有任意数量的形容词。例如：

• cats
• brown cats
• cute brown cats

(<JJ>* <NN.*>+ <IN>)?表示上面可以有另一个名词短语和介词（IN），例如

• green eyes of cute brown cats

KT不是词性标记。您引用的代码适用于NLTK's RegexpParser，其中语法（大致）定义为Label: {rules}。所以KT实际上只是每个识别的名词短语都会采用的标签;您也可以将其命名为NP或NounPhrase。