有没有办法为 OpenNLP 获取 "original" 文本数据？
Is there a way to get the "original" text data for OpenNLP?
我知道之前有人问过这个问题 - 但答案并不令人满意（从某种意义上说，答案只是 link）。
所以我的问题是，有什么方法可以扩展现有的 openNLP 模型吗？我已经了解 DBPedia/Wikipedia 的技术。但是，如果我只是想附加一些文本行来改进模型怎么办——真的没有办法吗？ （如果是这样——那就太蠢了……）
很遗憾，你不能。请参阅 this question，其中对同一问题有详细的解答。
我认为，这是一个棘手的问题，因为当您处理文本时，您经常会遇到许可问题。例如，您不能在 Twitter 数据上构建语料库并将其发布到社区（有关更多信息，请参阅 this paper）。
因此，公司通常会构建特定领域的语料库并在内部使用。例如，我们在研究项目中所做的。因此，我们构建了一个工具（Quick Pad Tagger）来高效地创建带注释的语料库（参见 here）。
好的，我认为这需要一个单独的答案。
我找到了 Yago 数据库：http://www.mpi-inf.mpg.de/departments/databases-and-information-systems/research/yago-naga/yago//
这个数据库似乎非常棒（乍一看）。您可以下载所有标记的数据并将其放入数据库中（他们已经为此提供了工具）。
下一阶段是 "refactor" 标记的实体，以便 opennlp 可以使用它（openNLP 使用某物。像这样 <START:person> Pierre Vinken <END>）
然后您创建一些文本文件并使用 opennlp 提供的训练工具对其进行训练。
不是 100% 确定这是否有效，但我会回来告诉你。
我知道之前有人问过这个问题 - 但答案并不令人满意（从某种意义上说，答案只是 link）。
所以我的问题是，有什么方法可以扩展现有的 openNLP 模型吗？我已经了解 DBPedia/Wikipedia 的技术。但是，如果我只是想附加一些文本行来改进模型怎么办——真的没有办法吗？ （如果是这样——那就太蠢了……）
很遗憾，你不能。请参阅 this question，其中对同一问题有详细的解答。
我认为，这是一个棘手的问题，因为当您处理文本时，您经常会遇到许可问题。例如，您不能在 Twitter 数据上构建语料库并将其发布到社区（有关更多信息，请参阅 this paper）。
因此，公司通常会构建特定领域的语料库并在内部使用。例如，我们在研究项目中所做的。因此，我们构建了一个工具（Quick Pad Tagger）来高效地创建带注释的语料库（参见 here）。
好的，我认为这需要一个单独的答案。 我找到了 Yago 数据库：http://www.mpi-inf.mpg.de/departments/databases-and-information-systems/research/yago-naga/yago//
这个数据库似乎非常棒（乍一看）。您可以下载所有标记的数据并将其放入数据库中（他们已经为此提供了工具）。
下一阶段是 "refactor" 标记的实体，以便 opennlp 可以使用它（openNLP 使用某物。像这样 <START:person> Pierre Vinken <END>）
然后您创建一些文本文件并使用 opennlp 提供的训练工具对其进行训练。
不是 100% 确定这是否有效，但我会回来告诉你。