web-dev-qa-db-fra.com

Python NLTK pos_tag ne retournant pas la bonne balise de partie de discours

Ayant ceci:

text = Word_tokenize("The quick brown fox jumps over the lazy dog")

Et en cours d'exécution:

nltk.pos_tag(text)

Je reçois:

[('The', 'DT'), ('quick', 'NN'), ('brown', 'NN'), ('fox', 'NN'), ('jumps', 'NNS'), ('over', 'IN'), ('the', 'DT'), ('lazy', 'NN'), ('dog', 'NN')]

Ceci est une erreur. Les balises pour quick brown lazy dans la phrase devrait être:

('quick', 'JJ'), ('brown', 'JJ') , ('lazy', 'JJ')

Le tester à travers leur outil en ligne donne le même résultat; quick, brown et fox doivent être des adjectifs et non des noms.

pythonmachine-learningnlpnltkpos-tagger
27
faceoff

En bref :

NLTK n'est pas parfait. En fait, aucun modèle n'est parfait.

Remarque:

Depuis NLTK version 3.1, par défaut pos_tag la fonction n'est plus le ancien cornichon MaxEnt anglais .

C'est maintenant le tagueur perceptron de @ implémentation de Honnibal , voir nltk.tag.pos_tag

>>> import inspect
>>> print inspect.getsource(pos_tag)
def pos_tag(tokens, tagset=None):
    tagger = PerceptronTagger()
    return _pos_tag(tokens, tagset, tagger)

C'est quand même mieux mais pas parfait:

>>> from nltk import pos_tag
>>> pos_tag("The quick brown fox jumps over the lazy dog".split())
[('The', 'DT'), ('quick', 'JJ'), ('brown', 'NN'), ('fox', 'NN'), ('jumps', 'VBZ'), ('over', 'IN'), ('the', 'DT'), ('lazy', 'JJ'), ('dog', 'NN')]

À un moment donné, si quelqu'un veut TL;DR solutions, voir https://github.com/alvations/nltk_cli

En long :

Essayez d'utiliser un autre tagueur (voir https://github.com/nltk/nltk/tree/develop/nltk/tag ), par exemple :

  • HunPos
  • Stanford POS
  • Séné

Utilisation du tagueur POS MaxEnt par défaut de NLTK, c'est-à-dire nltk.pos_tag:

>>> from nltk import Word_tokenize, pos_tag
>>> text = "The quick brown fox jumps over the lazy dog"
>>> pos_tag(Word_tokenize(text))
[('The', 'DT'), ('quick', 'NN'), ('brown', 'NN'), ('fox', 'NN'), ('jumps', 'NNS'), ('over', 'IN'), ('the', 'DT'), ('lazy', 'NN'), ('dog', 'NN')]

Utilisation du tagueur POS Stanford :

$ cd ~
$ wget http://nlp.stanford.edu/software/stanford-postagger-2015-04-20.Zip
$ unzip stanford-postagger-2015-04-20.Zip
$ mv stanford-postagger-2015-04-20 stanford-postagger
$ python
>>> from os.path import expanduser
>>> home = expanduser("~")
>>> from nltk.tag.stanford import POSTagger
>>> _path_to_model = home + '/stanford-postagger/models/english-bidirectional-distsim.tagger'
>>> _path_to_jar = home + '/stanford-postagger/stanford-postagger.jar'
>>> st = POSTagger(path_to_model=_path_to_model, path_to_jar=_path_to_jar)
>>> text = "The quick brown fox jumps over the lazy dog"
>>> st.tag(text.split())
[(u'The', u'DT'), (u'quick', u'JJ'), (u'brown', u'JJ'), (u'fox', u'NN'), (u'jumps', u'VBZ'), (u'over', u'IN'), (u'the', u'DT'), (u'lazy', u'JJ'), (u'dog', u'NN')]

Utilisation de HunPOS (REMARQUE: l'encodage par défaut est ISO-8859-1 et non UTF8):

$ cd ~
$ wget https://hunpos.googlecode.com/files/hunpos-1.0-linux.tgz
$ tar zxvf hunpos-1.0-linux.tgz
$ wget https://hunpos.googlecode.com/files/en_wsj.model.gz
$ gzip -d en_wsj.model.gz 
$ mv en_wsj.model hunpos-1.0-linux/
$ python
>>> from os.path import expanduser
>>> home = expanduser("~")
>>> from nltk.tag.hunpos import HunposTagger
>>> _path_to_bin = home + '/hunpos-1.0-linux/hunpos-tag'
>>> _path_to_model = home + '/hunpos-1.0-linux/en_wsj.model'
>>> ht = HunposTagger(path_to_model=_path_to_model, path_to_bin=_path_to_bin)
>>> text = "The quick brown fox jumps over the lazy dog"
>>> ht.tag(text.split())
[('The', 'DT'), ('quick', 'JJ'), ('brown', 'JJ'), ('fox', 'NN'), ('jumps', 'NNS'), ('over', 'IN'), ('the', 'DT'), ('lazy', 'JJ'), ('dog', 'NN')]

Utilisation de Senna (Assurez-vous que vous disposez de la dernière version de NLTK, des modifications ont été apportées à l'API):

$ cd ~
$ wget http://ronan.collobert.com/senna/senna-v3.0.tgz
$ tar zxvf senna-v3.0.tgz
$ python
>>> from os.path import expanduser
>>> home = expanduser("~")
>>> from nltk.tag.senna import SennaTagger
>>> st = SennaTagger(home+'/senna')
>>> text = "The quick brown fox jumps over the lazy dog"
>>> st.tag(text.split())
[('The', u'DT'), ('quick', u'JJ'), ('brown', u'JJ'), ('fox', u'NN'), ('jumps', u'VBZ'), ('over', u'IN'), ('the', u'DT'), ('lazy', u'JJ'), ('dog', u'NN')]

Ou essayez de construire un meilleur tagueur POS :

Se plaint de pos_tag la précision du stackoverflow comprend :

Les problèmes liés aux NLTK HunPos incluent :

Les problèmes avec NLTK et Stanford POS tagger incluent :

58
alvas