Tag pos de Python NLTK ne renvoie pas la tag correcte de la partie de la parole

ayant ceci:

text = word_tokenize("The quick brown fox jumps over the lazy dog")

et en cours d'exécution:

nltk.pos_tag(text)

, j'obtiens:

[('The', 'DT'), ('quick', 'NN'), ('brown', 'NN'), ('fox', 'NN'), ('jumps', 'NNS'), ('over', 'IN'), ('the', 'DT'), ('lazy', 'NN'), ('dog', 'NN')]

c'est incorrect. Les étiquettes pour quick brown lazy dans la phrase devraient être:

('quick', 'JJ'), ('brown', 'JJ') , ('lazy', 'JJ')

testant ceci à travers leur outil en ligne donne le même résultat; quick , brown et fox devraient être des adjectifs et non des noms.

24
demandé sur dmcc 2015-06-13 19:52:28
la source

1 ответов

en abrégé :

NLTK n'est pas parfait. En fait, aucun modèle n'est parfait.

Note:

de NLTK version 3.1, par défaut pos_tag la fonction n'est plus le vieux MaxEnt anglais cornichon .

c'est maintenant le perceptron tagger de La mise en œuvre de @Honnibal , voir nltk.tag.pos_tag

>>> import inspect
>>> print inspect.getsource(pos_tag)
def pos_tag(tokens, tagset=None):
    tagger = PerceptronTagger()
    return _pos_tag(tokens, tagset, tagger) 

c'est mieux, mais pas parfait:

>>> from nltk import pos_tag
>>> pos_tag("The quick brown fox jumps over the lazy dog".split())
[('The', 'DT'), ('quick', 'JJ'), ('brown', 'NN'), ('fox', 'NN'), ('jumps', 'VBZ'), ('over', 'IN'), ('the', 'DT'), ('lazy', 'JJ'), ('dog', 'NN')]

à un moment donné, si quelqu'un veut TL;DR solutions, voir https://github.com/alvations/nltk_cli


en long :

essayez d'utiliser un autre tagger (voir https://github.com/nltk/nltk/tree/develop/nltk/tag ), p.ex. :

  • HunPos
  • Stanford POS
  • Senna

utilisant par défaut MaxEnt POS tagger de NLTK, i.e. nltk.pos_tag :

>>> from nltk import word_tokenize, pos_tag
>>> text = "The quick brown fox jumps over the lazy dog"
>>> pos_tag(word_tokenize(text))
[('The', 'DT'), ('quick', 'NN'), ('brown', 'NN'), ('fox', 'NN'), ('jumps', 'NNS'), ('over', 'IN'), ('the', 'DT'), ('lazy', 'NN'), ('dog', 'NN')]

utilisant Stanford POS tagger :

$ cd ~
$ wget http://nlp.stanford.edu/software/stanford-postagger-2015-04-20.zip
$ unzip stanford-postagger-2015-04-20.zip
$ mv stanford-postagger-2015-04-20 stanford-postagger
$ python
>>> from os.path import expanduser
>>> home = expanduser("~")
>>> from nltk.tag.stanford import POSTagger
>>> _path_to_model = home + '/stanford-postagger/models/english-bidirectional-distsim.tagger'
>>> _path_to_jar = home + '/stanford-postagger/stanford-postagger.jar'
>>> st = POSTagger(path_to_model=_path_to_model, path_to_jar=_path_to_jar)
>>> text = "The quick brown fox jumps over the lazy dog"
>>> st.tag(text.split())
[(u'The', u'DT'), (u'quick', u'JJ'), (u'brown', u'JJ'), (u'fox', u'NN'), (u'jumps', u'VBZ'), (u'over', u'IN'), (u'the', u'DT'), (u'lazy', u'JJ'), (u'dog', u'NN')]

utilisant HunPOS (NOTE: l'encodage par défaut est ISO-8859-1 non UTF8):

$ cd ~
$ wget https://hunpos.googlecode.com/files/hunpos-1.0-linux.tgz
$ tar zxvf hunpos-1.0-linux.tgz
$ wget https://hunpos.googlecode.com/files/en_wsj.model.gz
$ gzip -d en_wsj.model.gz 
$ mv en_wsj.model hunpos-1.0-linux/
$ python
>>> from os.path import expanduser
>>> home = expanduser("~")
>>> from nltk.tag.hunpos import HunposTagger
>>> _path_to_bin = home + '/hunpos-1.0-linux/hunpos-tag'
>>> _path_to_model = home + '/hunpos-1.0-linux/en_wsj.model'
>>> ht = HunposTagger(path_to_model=_path_to_model, path_to_bin=_path_to_bin)
>>> text = "The quick brown fox jumps over the lazy dog"
>>> ht.tag(text.split())
[('The', 'DT'), ('quick', 'JJ'), ('brown', 'JJ'), ('fox', 'NN'), ('jumps', 'NNS'), ('over', 'IN'), ('the', 'DT'), ('lazy', 'JJ'), ('dog', 'NN')]

en utilisant Senna (assurez-vous que vous avez la dernière version de NLTK, Il ya eu quelques changements apportés à L'API):

$ cd ~
$ wget http://ronan.collobert.com/senna/senna-v3.0.tgz
$ tar zxvf senna-v3.0.tgz
$ python
>>> from os.path import expanduser
>>> home = expanduser("~")
>>> from nltk.tag.senna import SennaTagger
>>> st = SennaTagger(home+'/senna')
>>> text = "The quick brown fox jumps over the lazy dog"
>>> st.tag(text.split())
[('The', u'DT'), ('quick', u'JJ'), ('brown', u'JJ'), ('fox', u'NN'), ('jumps', u'VBZ'), ('over', u'IN'), ('the', u'DT'), ('lazy', u'JJ'), ('dog', u'NN')]

ou essayez de construire un meilleur POS tagger :


se plaint de pos_tag précision sur l'écoulement des piles inclure :

les questions concernant NLTK HunPos comprennent :

les problèmes avec NLTK et Stanford POS tagger comprennent :

55
répondu alvas 2017-05-23 15:34:19
la source

Autres questions sur python nltk machine-learning nlp pos-tagger