我正在尝试使用 nltk 从语料库中提取搭配，然后将它们的出现用作 scikit-learn 分类器的特征。不幸的是，我对 nltk 不是很熟悉，而且我看不到一个简单的方法来做到这一点。我做到了这一点：
BigramCollocationFinder使用from corpus提取搭配- 对于每个文档，提取所有二元组（使用
nltk.bigrams）并检查它们是否是搭配之一 TfidfVectorizer使用什么都不做的分析器创建一个- 以提取的二元组形式向其提供文档
这对我来说似乎过于复杂了。还有一个问题是，它BigramCollactionFinder有一个window_size跨越单词的二元组参数。标准nltk.bigrams提取不能做到这一点。
克服这个问题的一种方法是为每个文档实例化一个新的 BigramCollocationFinder 并再次提取二元组并将它们与我之前找到的那些进行匹配......但同样，这似乎很复杂。当然，我忽略了一种更简单的方法。
感谢您的建议！