使用 Python-Treetaggerwrapper 分块

Question

Treetagger 可以进行词性标记和文本分块，这意味着提取口头和名词性从句，如这个德语示例所示：

$ echo 'Das ist ein Test.' | cmd/tagger-chunker-german
    reading parameters ...
    tagging ...
     finished.
<NC>
Das PDS die
</NC>
<VC>
ist VAFIN   sein
</VC>
<NC>
ein ART eine
Test    NN  Test
</NC>
.   $.  .

我正在尝试找出如何使用 Python 中的 Treetaggerwrapper 执行此操作（因为它比直接调用 Treetagger 更快），但我无法弄清楚它是如何完成的。文档将分块称为预处理，所以我尝试使用这个：

tags = tagger.tag_text(u"Dieser Satz ist ein Satz.",prepronly=True)

但输出只是一个单词列表，没有添加任何信息。我开始认为 Wrapper 所称的 Chunking 与实际标记器所称的 Chunking 有所不同，但也许我只是遗漏了什么？任何帮助将不胜感激。

Answer 1

如果有完整的代码示例会更容易，请提供一个完整的代码示例以供进一步提问，但我试一试。 TreeTaggerWrapper Documentation 有一个很好的例子：

>>> import pprint   # For proper print of sequences.
>>> import treetaggerwrapper
>>> #1) build a TreeTagger wrapper:
>>> tagger = treetaggerwrapper.TreeTagger(TAGLANG='en')
>>> #2) tag your text.
>>> tags = tagger.tag_text("This is a very short text to tag.")
>>> #3) use the tags list... (list of string output from TreeTagger).
>>> pprint.pprint(tags)
['This\tDT\tthis',
 'is\tVBZ\tbe',
 'a\tDT\ta',
 'very\tRB\tvery',
 'short\tJJ\tshort',
 'text\tNN\ttext',
 'to\tTO\tto',
 'tag\tVV\ttag',
 '.\tSENT\t.']
>>> # Note: in output strings, fields are separated with tab chars (\t).

请注意，这是 Python 3 的示例，因为文本前面没有 u 来声明它是 Unicode。这是因为 Python 3 将 Unicode 作为默认值，而 Python 2.7 需要像在 post 中那样声明它。这提出了您正在使用哪个 Python 版本的问题。

分块

分块是多标记序列的标记，例如黄狗:

Word -> POS-Tag
->DT（文章）
黄色 -> JJ（形容词）
dog -> NN（名词）

这三个词一起是一个词块，将被标记为 NP（名词短语）。

Answer 2

楼主的猜测是对的。 treetaggerwrapper（从版本 2.2.4 开始）仅将分块定义为 "preprocessing of text"，并没有在这个意义上完全包装 TreeTagger 的功能。来自 treetaggerwrapper.py:

Manage preprocessing of text (chunking) in place of external Perl scripts as in base TreeTagger installation, thus avoid starting Perl each time a piece of text must be tagged.

但是查看tagger-chunker-german可以看到获取子句和标签是一串操作，实际上调用了TreeTagger 3次：

$ echo 'Das ist ein Test.' | cmd/tree-tagger-german | perl -nae 'if ($#F==0){print} else {print "$F[0]-$F[1]\n"}' | bin/tree-tagger lib/german-chunker.par -token -sgml -eps 0.00000001 -hyphen-heuristics -quiet | cmd/filter-chunker-output-german.perl | bin/tree-tagger -quiet -token -lemma -sgml lib/german-utf8.par

而 treetaggerwrapper 的标记命令（在 tagcmdlist 中显示）实际上是一次调用（在它自己对文本进行预处理之后）到：

bin/tree-tagger -token -lemma -sgml -quiet -no-unknown lib/german-utf8.par

扩展它以进行分块的入口点是行

"tagparfile": "german-utf8.par",

你可以在哪里定义类似

的东西

"chunkingparfile": "german-chunker.par",

并在 tagger-chunker-german 操作链之后使用另一个 parfile 发出对 TreeTagger 的额外调用。不过，您可能仍然需要从 cmd/filter-chunker-output-german.perl 复制一些额外的逻辑。

Answer 3

我认为他在 treetaggerwrapper 中使用二进制文件来完成标记任务，因为我在 treetaggerwrapper.py:

中找到了这个

    # ----- Set binary by platform.
    if ON_WINDOWS:
        self.tagbin = os.path.join(self.tagbindir, "tree-tagger.exe")
    elif ON_MACOSX or ON_POSIX:
        self.tagbin = os.path.join(self.tagbindir, "tree-tagger")

那么答案就很明显了，treetagger库本身不提供chunker的二进制文件导致treetaggerwrapper和另一个库"treetagger-python"没有chunk功能

使用 Python-Treetaggerwrapper 分块

Chunking with Python-Treetaggerwrapper

python

nlp

chunking

treetagger