问题标签 [part-of-speech]

我有一个文本文档，我想从中提取名词短语。在第一步中，我提取句子，然后对每个句子进行词性 (pos) 标记，然后使用 pos 进行分块。我使用 StanfordNLP 来完成这些任务，这是提取句子的代码。

我认为DocumentPreprocessor在引擎盖下做一个 pos 以提取句子。但是，我也在做另一个 pos 来提取第二阶段的名词短语。也就是说， pos 执行了两次，因为 pos 是一项计算成本很高的任务，所以我正在寻找一种只执行一次的方法。有没有办法只做一次 pos 来提取句子和名词短语？

我正在玩一些文本的NER，然后出现了DBPedia Spotlight。

然而，

• 该网站：http : //spotlight.dbpedia.org/ 无法访问
• 2 演示：http ://dbpedia-spotlight.github.io/demo/和http://spotlight.dbpedia.org/demo/似乎不起作用
• 提供的示例网址：http ://spotlight.dbpedia.org/rest/spot/?text=Berlin&spotter=LingPipeSpotter%E2%80%99也不起作用

那么这项服务是否仍然可用？
有没有其他选择（我想从 PHP 访问它）？

我的问题与WordNet Interface有关。

我在or中找不到关于目的n和以下内容的答案。numbercat.n.01caterpillar.n.02

为了创建一个自然语言计算器，我尝试了来自 nltk 的 TrigramTagger。我想在给定的句子中标记乘法和 2 个数字。例如：“什么是 5 和 7 的乘积”，这里的 'product' 是 'binary.multiply'，'5' 是 'num-1'，'7' 是 'num-2'。一旦我可以标记这 3 个，我就可以轻松计算答案。

但正如您在下面的输出中看到的那样，我无法针对这 2 个数字训练标注器。该数字必须与训练时完全相同，否则默认为“CD”。使用正则表达式或其他方式，我如何训练关于 num-1 和 num-2 的标记器？

这个程序的输出不能识别不同的数字为 num-1 和 num-2，如何让它识别呢？

我需要找到一种方法来标记文本中对出版物的引用。我们一直在通过正则表达式执行此操作，但它不适用于这些新模式。

一些例子（语言是德语）：

Herzog（2012 年 8 月），Einkommensteuerskriptum Band 1，S 8

Achatz/Bieber 在 Achatz/Kirchmayr, Körperschaftsteuergesetz (2011)

Heinrich in Quantschnigg/Renner/Schellmann/Stöger, Die Körperschaftsteuer (2013) § 7 Rz 32

Raab/Renner in Quantschnigg/Renner/Schellmann/Stöger/Vock, Die Körperschaftsteuer, 24. Lfg., § 8 Tz 292,293

Quantschnigg/Renner/Schellmann/Stöger/Vock (Hrsg), KStG ²³ (2013) § 13 Rz 67

因此，它主要以作者姓名和出版物的标题开始，但随后变得非常多样化。在示例中它可能看起来不那么糟糕，但我可以给出更多看起来不同的东西。

所以我认为这可能是机器学习的一项任务。然而，在该领域的经验很少，我发现很难找到合适的技术。

我找到了 POS 标记，但这似乎不是这里的方法。我也偶然发现了 upton CRF，但上面几乎没有什么材料可以让像我这样的初学者开始。

我已经在 sklearn 中进行了一些分类和回归，但仅此而已。

谁能指出我正确的方向？

我正在阅读句子列表并使用 NLTK 的斯坦福 POS 标记器标记每个单词。我得到这样的输出：

输出：[[(u'feel', u'VB'), (u'great', u'JJ')], [(u'good', u'JJ')]]

我想将这些词与它们的 POS 进行映射，以便它们在 WordNet 中被识别。

我试过这个：

输出：[Synset('feel.v.01'), '[great, JJ]'], ['[good, JJ]']]

所以feel被识别为动词，但great不good被识别为形容词。我还检查了是否great并且good实际上属于 Wordnet，因为我认为如果它们不存在，它们就不会被映射，但它们确实存在。任何人都可以帮忙吗？

我学会了使用多语言给 POS 标记印度尼西亚文本。

但是出现了错误：

当我尝试下载 pos2.ms(Part-of-speech Model for Malay) 时，它在model中不存在。我应该怎么办？

**我使用 Ubuntu 和 python 2.7

感谢您之前的帮助

我是 Python 新手，需要它来进行 PoS 标记。因此我尝试使用标准工具。我试图创建一个标记器并得到一个我不明白的 ValueError。我的代码：

我已经检查过了，tagged_sents 是所有句子的列表。每个句子 self 是一个元组列表（单词，PoS），就像在文档中一样：

:param train：一个标记语料库，由标记句子列表组成，其中每个句子都是（单词，标记）元组的列表。

为什么我会收到值错误？

ValueError：必须指定训练数据或训练模型。

我在使用 Stanford NLP Parser/POS Tagger 的应用程序中发现了不一致行为的示例，并且我能够在线复制它http://nlp.stanford.edu:8080/corenlp/process。我使用的是 3.60 版：

以下是我目前发现的 3 个问题：

• 有或没有不一致问题的点：

• 被发现为名词的动词

• 被标记为形容词的动词

我知道语言相当模棱两可，但我想知道我是否可以信任这个库，即使是那些简单的短语。我也想知道我是否做错了什么。我单独尝试了每个示例的有问题的案例，或者换句话说，在单独的句子中尝试了问题，但问题仍然存在。

这是预期的行为：

任何帮助表示赞赏！谢谢

我正在使用斯坦福 POS Tagger 来训练语料库。我准备了设置文件“Prop”并格式化数据并开始训练。

之后，我开始收到诸如“Lambda Too Big”之类的消息，并且这些消息一直出现，直到培训结束。之后我尝试了该模型并一直给我一个“内存不足异常”。我在具有超过 40gb RAM 的 HPC 上厌倦了模型，并增加了 java 的堆空间以使用 25gb，但同样的问题仍然存在。

我使用的语料库大约有 6000 个句子，一个句子中的最小单词数是 3，最大是 128 个单词。一个单词可以同时具有三个标签，例如 {p1}{p2}。

当我开始训练时，这里是日志：

此外，这里是 prop 文件中使用的设置：

谁能告诉我我做错了什么？