nltk - NLTK - 将分块树转换为列表（IOB 标记）

Question

我需要执行命名实体识别/分类，并以 IOB 标记格式生成输出。

我正在使用由NLTK-train library提供的 NLTK 分块器，但这会产生一个树，而不是 IOB 标签列表。

def chunk_iob(list_of_words):
    nltk_tagger = nltk.data.load("taggers/conll2002_aubt.pickle")
    nltk_chunker = nltk.data.load("chunkers/conll2002_NaiveBayes.pickle")

    t = nltk_tagger.tag(list_of_words)
    print(t)
    c = nltk_chunker.parse(t)
    print(c)

我们得到 c 作为一棵树，比如：

(S
  (LOC Barcelona/NC)
  (PER Juan/NC :/Fd)

...

但我正在寻找类似的东西：

Barcelona - LOC
Juan - PER
...

这是 list_of_words 参数的 IOB 标记列表，与 list_of_words 的顺序相同。

如何从树中获取该标记列表？

Answer 1

你正在寻找的是tree2conlltags和它的反面conlltags2tree。以下是它的工作原理：

from nltk import word_tokenize, pos_tag, ne_chunk
from nltk import conlltags2tree, tree2conlltags


tree = ne_chunk(pos_tag(word_tokenize("New York is my favorite city")))
print tree
# (S (GPE New/NNP York/NNP) is/VBZ my/PRP$ favorite/JJ city/NN)

iob_tags = tree2conlltags(tree)
print iob_tags
# [('New', 'NNP', u'B-GPE'), ('York', 'NNP', u'I-GPE'), ('is', 'VBZ', u'O'), ('my', 'PRP$', u'O'), ('favorite', 'JJ', u'O'), ('city', 'NN', u'O')]

tree = conlltags2tree(iob_tags)
print tree
# (S (GPE New/NNP York/NNP) is/VBZ my/PRP$ favorite/JJ city/NN)

请注意，IOB 标签的格式为B-{tag}表示开始，I-{tag}表示内部，O表示外部。