标签:corpus python nlp nltk tagged-corpus
我最初使用NLTK的以下Penn Treebank标记:
POS_Tagger = UnigramTagger(treebank.tagged_sents(), backoff=DefaultTagger('NN'))
然而,这不符合口头文本.例如,“hello”在应该的时候不被认为是感叹词.我从这里(In NLTK pos_tag, why “hello” is classified as Noun?)读到,如果我想标记语音文字,我将“需要在整个宾夕法尼亚大学银行树上训练标记器,其中包括300万字的英语口语.”我现在的问题是如何做到这一点?我一直在这里(Penn Treebank Project),但找不到任何东西.
如果整个宾州树园的培训太难了,那还有什么选择呢?我正在考虑布朗语料库但是POS标签不同,这使得我必须重写程序的其他部分.
解决方法:
你可能想要考虑美国国家语料库.虽然并非所有这些都是免费提供的,但是大部分是(大约1400万字).那部分被称为“OANC”(“开放”的“O”).它被标记为Penn Treebank POS标签.
它还包括更高级别的注释,例如段落,句子,名词和动词“块”,您可能需要也可能不需要,但当然可以忽略.
见http://www.americannationalcorpus.org/OANC/index.html
标签:corpus,python,nlp,nltk,tagged-corpus 来源: https://codeday.me/bug/20190831/1778869.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。