NLTK：词形还原器和 pos_tag

Question

我建立了一个纯文本语料库，下一步是对我所有的文本进行词形还原。我正在使用 WordNetLemmatizer 并且每个标记都需要 pos_tag 以避免出现问题，例如爱 -> 引理 = 爱与爱 -> 引理 = 爱...

我认为默认的 WordNetLemmatizer-POS-Tag 是 n（=名词），但我如何使用 pos_tag？我认为预期的 WordNetLemmatizer-POS-Tag 与我得到的 pos_tag 不同。有什么功能可以帮助我吗？！？！

in this line i think the word_pos is wrong and that's the error-reason

lemma = wordnet_lemmatizer.lemmatize(word,word_pos)

import nltk
from nltk.corpus import PlaintextCorpusReader
from nltk import sent_tokenize, word_tokenize, pos_tag
from nltk.stem import WordNetLemmatizer
wordnet_lemmatizer = WordNetLemmatizer()

corpus_root = 'C:\Users\myname\Desktop\TestCorpus'
lyrics = PlaintextCorpusReader(corpus_root,'.*')

for fileid in lyrics.fileids():
     tokens = word_tokenize(lyrics.raw(fileid))
     tagged_tokens = pos_tag(tokens)
     for tagged_token in tagged_tokens:
         word = tagged_token[0]
         word_pos = tagged_token[1]
         print(tagged_token[0])
         print(tagged_token[1])
         lemma = wordnet_lemmatizer.lemmatize(word,pos=word_pos)
         print(lemma)

附加问题： pos_tag 是否足以进行词形还原或需要另一个标注器？我的文字是歌词...

Answer 1

您需要将标签从 pos_tagger 转换为 wordnet 可识别的四个 "syntactic categories" 之一，然后将其作为 word_pos 传递给词形还原器。

来自the docs：

Syntactic category: n for noun files, v for verb files, a for adjective files, r for adverb files.

NLTK：词形还原器和 pos_tag

NLTK: lemmatizer and pos_tag

python

nltk

lemmatization