如何使用spacy/n生成bi/tri-grams

Question

输入的文本总是菜名列表，其中有1~3个形容词和一个名词

输入

thai iced tea
spicy fried chicken
sweet chili pork
thai chicken curry

输出：

thai tea, iced tea
spicy chicken, fried chicken
sweet pork, chili pork
thai chicken, chicken curry, thai curry

基本上，我希望解析句子树，并尝试通过将形容词与名词配对来生成bi grams。

我想用spacy或nltk来实现

Answer 1

使用NLTK可以通过几个步骤实现这一点：

1. PoS标记序列

2. 生成所需的n-grams（在您的示例中，没有trigrams，但是跳过可以通过trigrams生成的grams，然后打孔中间的标记）

3. 丢弃所有与模式不匹配的n-gramsJJ NN。

示例：

def jjnn_pairs(phrase):
    '''
    Iterate over pairs of JJ-NN.
    '''
    tagged = nltk.pos_tag(nltk.word_tokenize(phrase))
    for ngram in ngramise(tagged):
        tokens, tags = zip(*ngram)
        if tags == ('JJ', 'NN'):
            yield tokens

def ngramise(sequence):
    '''
    Iterate over bigrams and 1,2-skip-grams.
    '''
    for bigram in nltk.ngrams(sequence, 2):
        yield bigram
    for trigram in nltk.ngrams(sequence, 3):
        yield trigram[0], trigram[2]

根据需要扩展模式('JJ', 'NN')和所需的n-grams。

我认为不需要解析。 然而，这种方法的主要问题是，大多数PoS标记器可能不会按照您想要的方式标记所有内容。 例如，我的NLTK安装的默认PoS标记符标记“chili”为NN，而不是JJ，并且“fried”得到VBD。 不过，解析并不能帮到你！

Answer 2

我用Spacy2.0和英文版。要找到名词和“非名词”来解析输入，然后我将非名词和名词组合在一起以创建所需的输出。

您的意见：

s = ["thai iced tea",
"spicy fried chicken",
"sweet chili pork",
"thai chicken curry",]

Spacy解决方案：

import spacy
nlp = spacy.load('en') # import spacy, load model

def noun_notnoun(phrase):
    doc = nlp(phrase) # create spacy object
    token_not_noun = []
    notnoun_noun_list = []

    for item in doc:
        if item.pos_ != "NOUN": # separate nouns and not nouns
            token_not_noun.append(item.text)
        if item.pos_ == "NOUN":
            noun = item.text

    for notnoun in token_not_noun:
        notnoun_noun_list.append(notnoun + " " + noun)

    return notnoun_noun_list

调用函数：

for phrase in s:
    print(noun_notnoun(phrase))

结果：

['thai tea', 'iced tea']
['spicy chicken', 'fried chicken']
['sweet pork', 'chili pork']
['thai chicken', 'curry chicken']

Answer 3

像这样的：

>>> from nltk import bigrams
>>> text = """thai iced tea
... spicy fried chicken
... sweet chili pork
... thai chicken curry"""
>>> lines = map(str.split, text.split('\n'))
>>> for line in lines:
...     ", ".join([" ".join(bi) for bi in bigrams(line)])
... 
'thai iced, iced tea'
'spicy fried, fried chicken'
'sweet chili, chili pork'
'thai chicken, chicken curry'

---

或者使用colibricorehttps://proycon.github.io/colibri-core/doc/#installation；p