📜  自然语言工具包-转换块

📅  最后修改于: 2020-10-14 09:27:09             🧑  作者: Mango


为什么要转换块?

到目前为止,我们已经从句子中获得了大块或短语,但是我们应该如何处理它们。重要的任务之一是对其进行转换。但为什么?它要做以下事情-

  • 语法更正和
  • 重新排列短语

过滤不重要/无用的单词

假设如果您要判断短语的含义,那么有很多常用的单词,例如’the’,’a’都是无关紧要的或无用的。例如,请参见以下短语-

“电影很好”。

这里最重要的词是“电影”和“好”。换句话说,“ the”和“ was”都是无用的或微不足道的。这是因为没有它们,我们也可以得到该短语的相同含义。 ‘值得一看的电影’。

在下面的Python食谱中,我们将学习如何在POS标签的帮助下删除无用/无关紧要的单词并保留有意义的单词。

首先,通过在树库语料库中查找停用词,我们需要确定哪些词性标签很重要,哪些不重要。让我们看看下表的无关紧要的单词和标签-

Word Tag
a DT
All PDT
An DT
And CC
Or CC
That WDT
The DT

从上表中,我们可以看到除CC以外的所有其他标签都以DT结尾,这意味着我们可以通过查看标签的后缀来过滤掉无关紧要的单词。

在此示例中,我们将使用一个名为filter()的函数,该函数将接收单个块并返回一个新的块,且不带任何无关紧要的标记词。此函数过滤掉所有以DT或CC结尾的标签。

import nltk
def filter(chunk, tag_suffixes=['DT', 'CC']):
   significant = []
   for word, tag in chunk:
      ok = True
      for suffix in tag_suffixes:
         if tag.endswith(suffix):
            ok = False
            break
      if ok:
         significant.append((word, tag))
   return (significant)

现在,让我们在Python配方中使用此函数filter()删除无关紧要的单词-

from chunk_parse import filter
filter([('the', 'DT'),('good', 'JJ'),('movie', 'NN')])

输出

[('good', 'JJ'), ('movie', 'NN')]

动词校正

很多时候,在现实世界中,我们看到不正确的动词形式。例如,“你还好吗?”是不正确的。动词形式在此句子中不正确。句子应该是“你还好吗?” NLTK通过创建动词校正映射为我们提供了纠正此类错误的方法。根据在块中是否存在复数或单数名词来使用这些校正映射。

要实现Python配方,我们首先需要定义动词校正映射。让我们创建两个映射,如下所示:

复数到奇数映射

plural= {
   ('is', 'VBZ'): ('are', 'VBP'),
   ('was', 'VBD'): ('were', 'VBD')
}

单数到复数映射

singular = {
   ('are', 'VBP'): ('is', 'VBZ'),
   ('were', 'VBD'): ('was', 'VBD')
}

如上所示,每个映射都有一个标记动词,该动词映射到另一个标记动词。在我们的示例中,初始映射涵盖了to,was,was以及反之亦然的映射基础。

接下来,我们将定义一个名为verbs()的函数,您可以在其中传递带有不正确动词形式的小调,然后将获得正确的块。为了完成它, verb()函数使用一个名为index_chunk()的辅助函数,该函数将在块中搜索第一个被标记单词的位置。

让我们看看这些功能-

def index_chunk(chunk, pred, start = 0, step = 1):
   l = len(chunk)
   end = l if step > 0 else -1
   for i in range(start, end, step):
      if pred(chunk[i]):
         return i
      return None
def tag_startswith(prefix):
   def f(wt):
      return wt[1].startswith(prefix)
   return f

def verbs(chunk):
   vbidx = index_chunk(chunk, tag_startswith('VB'))
   if vbidx is None:
      return chunk
   verb, vbtag = chunk[vbidx]
   nnpred = tag_startswith('NN')
   nnidx = index_chunk(chunk, nnpred, start = vbidx+1)
   if nnidx is None:
      nnidx = index_chunk(chunk, nnpred, start = vbidx-1, step = -1)
   if nnidx is None:
      return chunk
   noun, nntag = chunk[nnidx]
   if nntag.endswith('S'):
      chunk[vbidx] = plural.get((verb, vbtag), (verb, vbtag))
   else:
      chunk[vbidx] = singular.get((verb, vbtag), (verb, vbtag))
   return chunk

将这些函数保存在安装了Python或Anaconda的本地目录中的Python文件中,然后运行它。我将其保存为verbcorrect.py

现在,让我们在标记POS的POS上调用verbs()函数-

from verbcorrect import verbs
verbs([('is', 'VBZ'), ('you', 'PRP$'), ('fine', 'VBG')])

输出

[('are', 'VBP'), ('you', 'PRP$'), ('fine','VBG')]

从短语中消除被动语态

另一个有用的任务是从短语中消除被动语态。这可以通过在动词周围交换单词来完成。例如, “教程很棒”可以转换为“教程很棒”

为了实现这一点,我们定义了一个名为exclude_passive()的函数,该函数通过使用动词作为枢轴点来将块的右侧与左侧交换。为了找到动词来回移动,它还将使用上面定义的index_chunk()函数。

def eliminate_passive(chunk):
   def vbpred(wt):
      word, tag = wt
      return tag != 'VBG' and tag.startswith('VB') and len(tag) > 2
   vbidx = index_chunk(chunk, vbpred)
   if vbidx is None:
      return chunk
   return chunk[vbidx+1:] + chunk[:vbidx]

现在,让我们在标记为POS的POS上调用exclude_passive()函数是非常重要的

from passiveverb import eliminate_passive
eliminate_passive(
   [
      ('the', 'DT'), ('tutorial', 'NN'), ('was', 'VBD'), ('great', 'JJ')
   ]
)

输出

[('great', 'JJ'), ('the', 'DT'), ('tutorial', 'NN')]

交换名词红衣主教

众所周知,基数(例如5)被标记为CD。这些基数词通常出现在名词之前或之后,但出于规范化的目的,将它们始终放在名词之前很有用。例如,日期1月5日可以写为1 January 5 。让我们用下面的例子来理解它。

为了实现这一点,我们定义了一个名为swapping_cardinals()的函数,该函数将把紧接在名词之后的所有基数与名词交换。这样,基数将出现在名词之前。为了与给定标签进行相等比较,它使用了一个辅助函数,我们将其命名为tag_eql()

def tag_eql(tag):
   def f(wt):
      return wt[1] == tag
   return f

现在我们可以定义swapping_cardinals()-

def swapping_cardinals (chunk):
   cdidx = index_chunk(chunk, tag_eql('CD'))
   if not cdidx or not chunk[cdidx-1][1].startswith('NN'):
      return chunk
   noun, nntag = chunk[cdidx-1]
   chunk[cdidx-1] = chunk[cdidx]
   chunk[cdidx] = noun, nntag
   return chunk

现在,让我们在日期“ January 5”调用swapping_cardinals()函数-

from Cardinals import swapping_cardinals()
swapping_cardinals([('Janaury', 'NNP'), ('5', 'CD')])

输出

[('10', 'CD'), ('January', 'NNP')]
10 January