Question

我正在研究Python中的两个NLP项目，它们都有类似的任务来从以下句子中提取值和比较运算符：

"... greater than $10 ... ",
"... weight not more than 200lbs ...",
"... height in 5-7 feets ...",
"... faster than 30 seconds ... "

我看到了解决这个问题的两种不同方法，一种使用非常复杂的正则表达式，一种使用NER（以及一些正则表达式）。

如何解析这些句子中的值？我认为这是NLP中的常见任务。

所需的输出类似于：

输入：

“超过10美元”

输出：

{'value': 10, 'unit': 'dollar', 'relation': 'gt', 'position': 3}

Answer 1

我可能会将此视为一个分块任务，并使用nltk的词性标注器与其正则表达式chunker相结合。这将允许您根据句子中单词的词性而不是单词本身来定义正则表达式。对于给定的句子，您可以执行以下操作：

import nltk

# example sentence
sent = 'send me a table with a price greater than $100'

我要做的第一件事就是略微修改你的句子，这样你就不会过多地混淆词性标注器。以下是一些您可以进行更改的示例（使用非常简单的正则表达式），但您可以尝试并查看是否还有其他更改：

$10 -> 10 dollars
200lbs -> 200 lbs
5-7 -> 5 - 7 OR 5 to 7

所以我们得到：

sent = 'send me a table with a price greater than 100 dollars'

现在你可以从你的句子中获取词性：

sent_pos = nltk.pos_tag(sent.split())
print(sent_pos)

[('send', 'VB'), ('me', 'PRP'), ('a', 'DT'), ('table', 'NN'), ('with', 'IN'), ('a', 'DT'), ('price', 'NN'), ('greater', 'JJR'), ('than', 'IN'), ('100', 'CD'), ('dollars', 'NNS')]

我们现在可以创建一个chunker，它将根据（相对）简单的正则表达式对您的POS标记文本进行分块：

grammar = 'NumericalPhrase: {<NN|NNS>?<RB>?<JJR><IN><CD><NN|NNS>?}'
parser = nltk.RegexpParser(grammar)

这定义了一个带有语法的解析器，该语法包含数字短语（我们称之为短语类型）。它将您的数字短语定义为：可选名词，后跟可选副词，后跟比较形容词，介词，数字和可选名词。这只是一个关于如何定义短语的建议，但我认为这比在单词本身上使用正则表达式要简单得多。

要获得您的短语，您可以这样做：

print(parser.parse(sent_pos))
(S
  send/VB
  me/PRP
  a/DT
  table/NN
  with/IN
  a/DT
  (NumericalPhrase price/NN greater/JJR than/IN 100/CD dollars/NNS))

或者只获得你可以做的短语：

print([tree.leaves() for tree in parser.parse(sent_pos).subtrees() if tree.label() == 'NumericalPhrase'])

[[('price', 'NN'),
  ('greater', 'JJR'),
  ('than', 'IN'),
  ('100', 'CD'),
  ('dollars', 'NNS')]]

如何提取数字（以及比较形容词或范围）

1 个答案: