2

我正在尝试使用 Reticulate 包从 R 中使用 Python 的 NLTK 包。在大多数情况下，我是成功的。

现在，我想使用 NLTK 的ne_chunk()函数执行命名实体识别（即确定哪些标记代表命名实体以及它们代表什么类型的命名实体。）。我的问题是该函数返回一个类的对象nltk.tree.Tree，我不知道如何在 R 中解析它。

如果ne_chunk()最多输入十个标记-标签对，它将返回一个可以使用 转换为字符的结果，可以as.character()通过正则表达式函数对其进行解析（这只是一个 hack，我对此并不满意）。然而，超过十对，它将返回树的简写表示，使用 R 方法无法从中提取任何有意义的数据。

这是一个最小可重现的示例：

library(reticulate)
nltk <- import("nltk")

sent_tokenize <- function(text, language = "english") {
  nltk$tokenize$sent_tokenize(text, language)
}
word_tokenize <- function(text, language = "english", preserve_line = FALSE) {
  nltk$tokenize$word_tokenize(text, language, preserve_line)
}
pos_tag <- function(tokens, tagset = NULL, language = "eng") {
  nltk$pos_tag(tokens, tagset, language)
}
ne_chunk <- function(tagged_tokens, binary = FALSE) {
  nltk$ne_chunk(tagged_tokens, binary)
}

text <- "Christopher is having a difficult time parsing NLTK Trees in R."
tokens <- word_tokenize(text)
tagged_tokens <- pos_tag(tokens)
ne_tagged_tokens <- ne_chunk(tagged_tokens)

这是处理上一个示例中的文本时返回的简写：

> ne_tagged_tokens
List (11 items)

以下是ne_tagged_tokens所属的类：

> class(ne_tagged_tokens)
[1] "nltk.tree.Tree"        "python.builtin.list"   "python.builtin.object"

我对使用替代的、预先存在的 R 包的建议不感兴趣。

4

1 回答 1

2

我想问题在于reticulate无法读取自定义的 Python 对象，这很常见，因此您必须在 R 和 Python 接口之间传递与原生 Python 类型一样接近的 Python 对象。

有一种方法可以将输出格式更改ne_chunks为字符串（括号解析格式），使用Tree.pformat()：

>>> from nltk import word_tokenize, pos_tag, ne_chunk
>>> sent = "Christopher is having a difficult time parsing NLTK Trees in R."
>>> ne_chunk(pos_tag(word_tokenize(sent)))
Tree('S', [Tree('GPE', [('Christopher', 'NNP')]), ('is', 'VBZ'), ('having', 'VBG'), ('a', 'DT'), ('difficult', 'JJ'), ('time', 'NN'), ('parsing', 'VBG'), Tree('ORGANIZATION', [('NLTK', 'NNP'), ('Trees', 'NNP')]), ('in', 'IN'), Tree('GPE', [('R', 'NNP')]), ('.', '.')])
>>> ne_chunk(pos_tag(word_tokenize(sent))).pformat()
'(S\n  (GPE Christopher/NNP)\n  is/VBZ\n  having/VBG\n  a/DT\n  difficult/JJ\n  time/NN\n  parsing/VBG\n  (ORGANIZATION NLTK/NNP Trees/NNP)\n  in/IN\n  (GPE R/NNP)\n  ./.)'

并重新读回，使用Tree.fromstring()：

>>> tree_str = ne_chunk(pos_tag(word_tokenize(sent))).pformat()
>>> from nltk import Tree
>>> Tree.fromstring(tree_str)
Tree('S', [Tree('GPE', ['Christopher/NNP']), 'is/VBZ', 'having/VBG', 'a/DT', 'difficult/JJ', 'time/NN', 'parsing/VBG', Tree('ORGANIZATION', ['NLTK/NNP', 'Trees/NNP']), 'in/IN', Tree('GPE', ['R/NNP']), './.'])

所以我猜想在 R 中这样做可能会奏效：

text <- "Christopher is having a difficult time parsing NLTK Trees in R."
ne_tagged_tokens <- ne_chunk(pos_tag(word_tokenize(tagged_tokens)))$pformat()
print(ne_tagged_tokens)

但是应该不可能将字符串读回 R 对象，因为它无法处理非本机 Python Tree 对象，因此由于它不是函数，因此无法使用some_func <- function(...{nltk$some_func(...)})。Tree

如果您想将ne_chunkTree 对象的输出操作到命名实体列表中，那么您必须在 Python 中执行以下操作：NLTK Named Entity recognition to a Python list

再说一次，如果你在 Python 中需要这么多函数，而你真的不想重新编码或使用其他 R 库，那你为什么不使用 Python 编写而不是坚持使用 R。

于 2018-01-31T01:09:24.947 回答