【语言处理与Python】7.2分块

实体识别的基本技术是分块（chunking）

名词短语分块（NP-分块）

这里有一段已经标注的例子：

方括号中是名词标注的例子。

NP-分块信息最有用的来源之一是词性标记。

为了创建一个NP块，我们将首先定义一个块语法，规定了句子应该如何分块。

我们使用正则表达式来定义，规则可以我们自己定：一个NP块由一个可选的限定词（DT）后面跟着任何数目的形容词（JJ），然后是一个名词（NN组成）。

下面是示例代码：

>>>sentence = [("the", "DT"), ("little", "JJ"), ("yellow", "JJ"), 
... ("dog", "NN"), ("barked", "VBD"), ("at", "IN"), ("the", "DT"), ("cat", "NN")]
>>>grammar= "NP: {<DT>?<JJ>*<NN>}" 
>>>cp = nltk.RegexpParser(grammar) 
>>>result = cp.parse(sentence) 
>>>print result 
(S
(NP the/DT little/JJ yellow/JJdog/NN)
barked/VBD
at/IN
(NP the/DT cat/NN))
>>>result.draw()

标记模式类似于正则表达式模式。<DT>?<JJ>*<NN>

用正则表达式分块

在这个例子中，不仅仅只有一个规则，定义了两个规则。依然可以类似于上面的做法进行分块。

NNP为专有名词；DT为限定词；PP$为所有格代名词($为特殊符号，必须加转义\进行匹配)；JJ为形容词；

grammar= r"""
NP:{<DT|PP\$>?<JJ>*<NN>} # chunk determiner/possessive,adjectives and nouns
{<NNP>+} #chunksequences of propernouns
"""
cp= nltk.RegexpParser(grammar)
sentence = [("Rapunzel", "NNP"), ("let", "VBD"), ("down", "RP"), 
("her", "PP$"), ("long", "JJ"), ("golden", "JJ"), ("hair", "NN")]
>>>print cp.parse(sentence) 
(S
(NP Rapunzel/NNP)
let/VBD
down/RP
(NP her/PP$long/JJ golden/JJhair/NN))

如果标记模式匹配位置重叠，最左边的优先。

例如：

>>>nouns= [("money", "NN"), ("market", "NN"), ("fund", "NN")]
>>>grammar= "NP: {<NN><NN>} #Chunktwo consecutive nouns"
>>>cp = nltk.RegexpParser(grammar)
>>>print cp.parse(nouns)
(S (NP money/NNmarket/NN)fund/NN)

为了解决这个问题，可以改进一下这个规则：NP:{<NN>+}。

搜索文本语料库

我们也可以使用分块器更容易的做同样的具体的工作：

>>>cp = nltk.RegexpParser('CHUNK: {<V.*><TO><V.*>}')
>>>brown= nltk.corpus.brown
240
>>>for sent in brown.tagged_sents():
... tree = cp.parse(sent)
... for subtree in tree.subtrees():
... if subtree.node =='CHUNK': print subtree
...
(CHUNK combined/VBN to/TO achieve/VB)
(CHUNK continue/VB to/TO place/VB)
(CHUNK serve/VB to/TO protect/VB)
(CHUNK wanted/VBDto/TO wait/VB)
(CHUNK allowed/VBN to/TO place/VB)
(CHUNK expected/VBN to/TO become/VB)
...
(CHUNK seems/VBZ to/TO overtake/VB)
(CHUNK want/VBto/TO buy/VB)

加缝隙

加缝隙，是从一大块中出去一个标识符序列的过程。如果匹配的标识符序列贯穿成一整块，那么这一块会被去除。

下面这个例子将会演示代码过程:

grammar= r"""
NP:
    {<.*>+} #Chunkeverything
    }<VBD|IN>+{ #Chinksequences of VBDand IN
"""
sentence = [("the", "DT"), ("little", "JJ"), ("yellow", "JJ"),
    ("dog", "NN"), ("barked", "VBD"), ("at", "IN"), ("the", "DT"), ("cat", "NN")]
cp= nltk.RegexpParser(grammar)
>>>print cp.parse(sentence)
(S
    (NP the/DT little/JJ yellow/JJdog/NN)
    barked/VBD
    at/IN
    (NP the/DT cat/NN))

块的表示：标记与树

块结构是标注和分析之间的中间状态。

块结构可以用标记或者树来表示。使用最多的，是使用IOB标记。

每个标识符被用三个特殊的块标签之一标注。

I内部，O外部，B开始。一般没有必要指定出现在块外的标识符类型，都标志为O。

如图所示：

同样，块也可以使用树来表示。如图：