Как настроить токенизатор предложения NLTK

Я использую NLTK для анализа нескольких классических текстов, и я бегу, чтобы затруднить токенизацию текста по предложению. Например, вот что я получаю за фрагмент из Moby Dick:

import nltk
sent_tokenize = nltk.data.load('tokenizers/punkt/english.pickle')

'''
(Chapter 16)
A clam for supper? a cold clam; is THAT what you mean, Mrs. Hussey?" says I, "but
that a rather cold and clammy reception in the winter time, ain't it, Mrs. Hussey?"
'''
sample = 'A clam for supper? a cold clam; is THAT what you mean, Mrs. Hussey?" says I, "but that\ a rather cold and clammy reception in the winter time, ain\'t it, Mrs. Hussey?"'

print "\n-----\n".join(sent_tokenize.tokenize(sample))
'''
OUTPUT
"A clam for supper?
-----
a cold clam; is THAT what you mean, Mrs.
-----
Hussey?
-----
" says I, "but that\ a rather cold and clammy reception in the winter time, ain\'t it, Mrs.
-----
Hussey?
-----
"
'''

Я не ожидаю совершенства здесь, учитывая, что синтаксис Melville немного устарел, но NLTK должен иметь возможность обрабатывать двойные кавычки и названия, такие как "Mrs.", Однако, поскольку токенизатор является результатом неконтролируемого обучения, я не могу понять, как его использовать.

У кого-нибудь есть рекомендации по улучшению токенизатора предложения? Я предпочел бы просто эвристику, которую я могу взломать, вместо того, чтобы тренировать собственный парсер.

Ответ 1

Вам нужно предоставить список аббревиатур для токенизатора, например:

from nltk.tokenize.punkt import PunktSentenceTokenizer, PunktParameters
punkt_param = PunktParameters()
punkt_param.abbrev_types = set(['dr', 'vs', 'mr', 'mrs', 'prof', 'inc'])
sentence_splitter = PunktSentenceTokenizer(punkt_param)
text = "is THAT what you mean, Mrs. Hussey?"
sentences = sentence_splitter.tokenize(text)

теперь:

['is THAT what you mean, Mrs. Hussey?']

Обновление: это не работает, если последнее слово предложения имеет апостроф или прикрепленный к нему кавычек (например, Hussey?). Таким образом, быстрый и грязный способ заключается в том, чтобы помещать пробелы перед апострофами и кавычками, которые следуют символам конца предложения (.!?):

text = text.replace('?"', '? "').replace('!"', '! "').replace('."', '. "')

Ответ 2

Вы можете изменить предквалификатор английского языка для NLTK, чтобы узнать больше аббревиатур, добавив их в набор _params.abbrev_types. Например:

extra_abbreviations = ['dr', 'vs', 'mr', 'mrs', 'prof', 'inc', 'i.e']
sentence_tokenizer = nltk.data.load('tokenizers/punkt/english.pickle')
sentence_tokenizer._params.abbrev_types.update(extra_abbreviations)

Обратите внимание, что аббревиатуры должны быть указаны без окончательного периода, но включать любые внутренние периоды, как в 'i.e' выше. Подробнее о других параметрах токенизатора см. соответствующую документацию.

Ответ 3

Вы можете указать PunktSentenceTokenizer.tokenize метод включить двойные кавычки терминала с остальной частью предложения, установив параметр realign_boundaries в True. См. Приведенный ниже код.

Я не знаю, как удалить текст, например Mrs. Hussey, из двух разделов. Однако вот хак, который

обрабатывает все вхождения от Mrs. Hussey до Mrs._Hussey,
затем разбивает текст на предложения с помощью sent_tokenize.tokenize,
то для каждого предложения, unmangles Mrs._Hussey вернуться к Mrs. Hussey

Хотелось бы, чтобы я знал лучший способ, но это может сработать.

import nltk
import re
import functools

mangle = functools.partial(re.sub, r'([MD]rs?[.]) ([A-Z])', r'\1_\2')
unmangle = functools.partial(re.sub, r'([MD]rs?[.])_([A-Z])', r'\1 \2')

sent_tokenize = nltk.data.load('tokenizers/punkt/english.pickle')

sample = '''"A clam for supper? a cold clam; is THAT what you mean, Mrs. Hussey?" says I, "but that\ a rather cold and clammy reception in the winter time, ain\'t it, Mrs. Hussey?"'''    

sample = mangle(sample)
sentences = [unmangle(sent) for sent in sent_tokenize.tokenize(
    sample, realign_boundaries = True)]    

print u"\n-----\n".join(sentences)

дает

"A clam for supper?
-----
a cold clam; is THAT what you mean, Mrs. Hussey?"
-----
says I, "but that a rather cold and clammy reception in the winter time, ain't it, Mrs. Hussey?"

Ответ 4

Итак, у меня была аналогичная проблема, и я попробовал решение vpekar выше.

Возможно, мой - это своего рода краевой случай, но я заметил такое же поведение после применения замен, однако, когда я попытался заменить пунктуацию на котировки, размещенные перед ними, я получил результат, который я искал. Предположительно, отсутствие приверженности MLA менее важно, чем сохранить исходную цитату в виде одного предложения.

Чтобы быть более ясным:

text = text.replace('?"', '"?').replace('!"', '"!').replace('."', '".')

Если MLA важна, хотя вы всегда можете вернуться и отменить эти изменения, где бы они ни рассчитывались.