Java Stanford NLP: Konuşma etiketlerinin bir parçası mı?


172

Burada demo olan Stanford NLP şöyle çıktılar veriyor:

Colorless/JJ green/JJ ideas/NNS sleep/VBP furiously/RB ./.

Konuşma Bölümü etiketlerinin anlamı nedir? Resmi bir liste bulamıyorum. Stanford'un kendi sistemi mi yoksa evrensel etiketler mi kullanıyorlar? ( JJÖrneğin nedir?)

Ayrıca, cümleleri yinelediğimde, örneğin isim aradığımda, etiketin olup olmadığını kontrol etmek gibi bir şey yapıyorum .contains('N'). Bu oldukça zayıf geliyor. Konuşmanın belirli bir bölümünü programlı olarak aramanın daha iyi bir yolu var mı?


Bu bir nitpick olabilir, ancak kullanmalısınız .starts_with('N')yerine contains'IN' ve 'VBN' da içerirler 'N' beri. Bu muhtemelen etiketleyicinin hangi sözcüklerin isimler olduğunu düşündüğünü bulmanın en iyi yoludur.
Joseph

Yanıtlar:


276

Penn Treebank Projesi . Bak Bölüm-of-konuşma etiketleme ps.

JJ sıfattır. NNS isimdir, çoğuldur. VBP fiili şimdiki zamandır. RB zarftır.

İngilizce için. Çinliler için, bu Penn Çin Treebank. Ve Alman için NEGRA corpus.

  1. CC Koordinasyon birleşimi
  2. CD Kardinal numarası
  3. DT Belirleyici
  4. EX Mevcut orada
  5. FW Yabancı kelime
  6. IN Edat ya da alt birleşim
  7. JJ Sıfat
  8. JJR Sıfat, karşılaştırmalı
  9. JJS Sıfat, üstün
  10. LS Liste öğesi işaretleyicisi
  11. MD Kipli
  12. NN İsim, tekil veya kitle
  13. NNS İsim, çoğul
  14. NNP Özel isim, tekil
  15. NNPS Özel isim, çoğul
  16. PDT Önceden Belirleyici
  17. POS İyelik sonu
  18. PRP Kişisel zamir
  19. PRP $ İyelik zamiri
  20. RB Zarf
  21. RBR Zarf, karşılaştırmalı
  22. RBS Zarf, üstün
  23. RP Parçacık
  24. SYM Sembolü
  25. TO
  26. UH Birleşimi
  27. VB Fiil, temel form
  28. VBD Fiil, geçmiş zaman
  29. VBG Fiil, fiil veya mevcut katılımcı
  30. VBN Fiil, geçmiş katılımcı
  31. VBP Fiil, 3. şahıs olmayan tekil hediye
  32. VBZ Fiil, 3. şahıs tekil hediyesi
  33. WDT Whdeterminer
  34. WP Whpronoun
  35. WP $ Possessive Instagram Hesabındaki Resim ve Videoları whpronoun
  36. WRB Whadverb

Bu cevaptaki bir eksikliği gidermek için düzenleme önerim reddedildi. Bu nedenle, lütfen bu cevapta eksik olan bazı bilgileri içeren aşağıdaki cevabımı da inceleyin.
Jules

3
10. LS tam olarak nedir?
Devavrata

3
"to" özel olmalıdır. kendi etiketi var
quemeful

4
Buna gerçekten büyük bir referans Erwin R. Komen'in Konuşma Etiketleri Bölümleri ve Açıklamasıdır . Ayrıca ilginizi çekebilir Komen İngilizce Araştırma ve Komen ana sayfası, erwinkomen.ruhosting.nl
CoolHandLouis

1
Stanford POS Tagger ve Penn Tree bankasında kullanılan etiketler aynı mı?
gokul_uf

113
Explanation of each tag from the documentation :

CC: conjunction, coordinating
    & 'n and both but either et for less minus neither nor or plus so
    therefore times v. versus vs. whether yet
CD: numeral, cardinal
    mid-1890 nine-thirty forty-two one-tenth ten million 0.5 one forty-
    seven 1987 twenty '79 zero two 78-degrees eighty-four IX '60s .025
    fifteen 271,124 dozen quintillion DM2,000 ...
DT: determiner
    all an another any both del each either every half la many much nary
    neither no some such that the them these this those
EX: existential there
    there
FW: foreign word
    gemeinschaft hund ich jeux habeas Haementeria Herr K'ang-si vous
    lutihaw alai je jour objets salutaris fille quibusdam pas trop Monte
    terram fiche oui corporis ...
IN: preposition or conjunction, subordinating
    astride among uppon whether out inside pro despite on by throughout
    below within for towards near behind atop around if like until below
    next into if beside ...
JJ: adjective or numeral, ordinal
    third ill-mannered pre-war regrettable oiled calamitous first separable
    ectoplasmic battery-powered participatory fourth still-to-be-named
    multilingual multi-disciplinary ...
JJR: adjective, comparative
    bleaker braver breezier briefer brighter brisker broader bumper busier
    calmer cheaper choosier cleaner clearer closer colder commoner costlier
    cozier creamier crunchier cuter ...
JJS: adjective, superlative
    calmest cheapest choicest classiest cleanest clearest closest commonest
    corniest costliest crassest creepiest crudest cutest darkest deadliest
    dearest deepest densest dinkiest ...
LS: list item marker
    A A. B B. C C. D E F First G H I J K One SP-44001 SP-44002 SP-44005
    SP-44007 Second Third Three Two * a b c d first five four one six three
    two
MD: modal auxiliary
    can cannot could couldn't dare may might must need ought shall should
    shouldn't will would
NN: noun, common, singular or mass
    common-carrier cabbage knuckle-duster Casino afghan shed thermostat
    investment slide humour falloff slick wind hyena override subhumanity
    machinist ...
NNS: noun, common, plural
    undergraduates scotches bric-a-brac products bodyguards facets coasts
    divestitures storehouses designs clubs fragrances averages
    subjectivists apprehensions muses factory-jobs ...
NNP: noun, proper, singular
    Motown Venneboerger Czestochwa Ranzer Conchita Trumplane Christos
    Oceanside Escobar Kreisler Sawyer Cougar Yvette Ervin ODI Darryl CTCA
    Shannon A.K.C. Meltex Liverpool ...
NNPS: noun, proper, plural
    Americans Americas Amharas Amityvilles Amusements Anarcho-Syndicalists
    Andalusians Andes Andruses Angels Animals Anthony Antilles Antiques
    Apache Apaches Apocrypha ...
PDT: pre-determiner
    all both half many quite such sure this
POS: genitive marker
    ' 's
PRP: pronoun, personal
    hers herself him himself hisself it itself me myself one oneself ours
    ourselves ownself self she thee theirs them themselves they thou thy us
PRP$: pronoun, possessive
    her his mine my our ours their thy your
RB: adverb
    occasionally unabatingly maddeningly adventurously professedly
    stirringly prominently technologically magisterially predominately
    swiftly fiscally pitilessly ...
RBR: adverb, comparative
    further gloomier grander graver greater grimmer harder harsher
    healthier heavier higher however larger later leaner lengthier less-
    perfectly lesser lonelier longer louder lower more ...
RBS: adverb, superlative
    best biggest bluntest earliest farthest first furthest hardest
    heartiest highest largest least less most nearest second tightest worst
RP: particle
    aboard about across along apart around aside at away back before behind
    by crop down ever fast for forth from go high i.e. in into just later
    low more off on open out over per pie raising start teeth that through
    under unto up up-pp upon whole with you
SYM: symbol
    % & ' '' ''. ) ). * + ,. < = > @ A[fj] U.S U.S.S.R * ** ***
TO: "to" as preposition or infinitive marker
    to
UH: interjection
    Goodbye Goody Gosh Wow Jeepers Jee-sus Hubba Hey Kee-reist Oops amen
    huh howdy uh dammit whammo shucks heck anyways whodunnit honey golly
    man baby diddle hush sonuvabitch ...
VB: verb, base form
    ask assemble assess assign assume atone attention avoid bake balkanize
    bank begin behold believe bend benefit bevel beware bless boil bomb
    boost brace break bring broil brush build ...
VBD: verb, past tense
    dipped pleaded swiped regummed soaked tidied convened halted registered
    cushioned exacted snubbed strode aimed adopted belied figgered
    speculated wore appreciated contemplated ...
VBG: verb, present participle or gerund
    telegraphing stirring focusing angering judging stalling lactating
    hankerin' alleging veering capping approaching traveling besieging
    encrypting interrupting erasing wincing ...
VBN: verb, past participle
    multihulled dilapidated aerosolized chaired languished panelized used
    experimented flourished imitated reunifed factored condensed sheared
    unsettled primed dubbed desired ...
VBP: verb, present tense, not 3rd person singular
    predominate wrap resort sue twist spill cure lengthen brush terminate
    appear tend stray glisten obtain comprise detest tease attract
    emphasize mold postpone sever return wag ...
VBZ: verb, present tense, 3rd person singular
    bases reconstructs marks mixes displeases seals carps weaves snatches
    slumps stretches authorizes smolders pictures emerges stockpiles
    seduces fizzes uses bolsters slaps speaks pleads ...
WDT: WH-determiner
    that what whatever which whichever
WP: WH-pronoun
    that what whatever whatsoever which who whom whosoever
WP$: WH-pronoun, possessive
    whose
WRB: Wh-adverb
    how however whence whenever where whereby whereever wherein whereof why

2
lütfen kaynak gösterebilir misin?
David Portabella

noktalama işaretleri ne olacak? örneğin, bir ',' simgesi POS'u alır ','. bu PoS'u içeren bir liste var mı?
David Portabella

'(' Jetonu) için PoS "-LRB-" ne olacak?
David Portabella

34

Yukarıdaki kabul edilen cevapta aşağıdaki bilgiler eksik:

Ayrıca tanımlanmış 9 noktalama etiketi vardır (bazı referanslarda listelenmemiştir, buraya bakın ). Bunlar:

  1. #
  2. $
  3. '' (tüm kapanış teklifi formları için kullanılır)
  4. ((tüm açılış parantez formları için kullanılır)
  5. ) (tüm kapanış parantezleri için kullanılır)
  6. ,
  7. . (tüm cümle sonu noktalama işaretleri için kullanılır)
  8. : (iki nokta üst üste, noktalı virgül ve elipsler için kullanılır)
  9. `` (her türlü açılış teklifi için kullanılır)

17

Penn Treebank için daha eksiksiz bir etiket listesi ( tamlık uğruna buraya gönderildi):

http://www.surdeanu.info/mihai/teaching/ista555-fall13/readings/PennTreebankConstituents.html

Ayrıca, yan tümce ve tümcecik düzeyleri için etiketler içerir.

Madde Seviyesi

- S
- SBAR
- SBARQ
- SINV
- SQ

İfade Düzeyi

- ADJP
- ADVP
- CONJP
- FRAG
- INTJ
- LST
- NAC
- NP
- NX
- PP
- PRN
- PRT
- QP
- RRC
- UCP
- VP
- WHADJP
- WHAVP
- WHNP
- WHPP
- X

(bağlantıdaki açıklamalar)


2
Biliyor musun? Bu insanların ihtiyaç duyduğu gerçek liste! Sadece Penn Treebank POS etiketleri değil, çünkü bunlar sadece kelimeler içindir
windweller

Kısaltmaların yanına açıklamaları ekleyebilir misiniz?
Petrus Theron

12

Kodlamak istemeniz durumunda ...

/**
 * Represents the English parts-of-speech, encoded using the
 * de facto <a href="http://www.cis.upenn.edu/~treebank/">Penn Treebank
 * Project</a> standard.
 * 
 * @see <a href="ftp://ftp.cis.upenn.edu/pub/treebank/doc/tagguide.ps.gz">Penn Treebank Specification</a>
 */
public enum PartOfSpeech {
  ADJECTIVE( "JJ" ),
  ADJECTIVE_COMPARATIVE( ADJECTIVE + "R" ),
  ADJECTIVE_SUPERLATIVE( ADJECTIVE + "S" ),

  /* This category includes most words that end in -ly as well as degree
   * words like quite, too and very, posthead modi ers like enough and
   * indeed (as in good enough, very well indeed), and negative markers like
   * not, n't and never.
   */
  ADVERB( "RB" ),

  /* Adverbs with the comparative ending -er but without a strictly comparative
   * meaning, like <i>later</i> in <i>We can always come by later</i>, should
   * simply be tagged as RB.
   */
  ADVERB_COMPARATIVE( ADVERB + "R" ),
  ADVERB_SUPERLATIVE( ADVERB + "S" ),

  /* This category includes how, where, why, etc.
   */
  ADVERB_WH( "W" + ADVERB ),

  /* This category includes and, but, nor, or, yet (as in Y et it's cheap,
   * cheap yet good), as well as the mathematical operators plus, minus, less,
   * times (in the sense of "multiplied by") and over (in the sense of "divided
   * by"), when they are spelled out. <i>For</i> in the sense of "because" is
   * a coordinating conjunction (CC) rather than a subordinating conjunction.
   */
  CONJUNCTION_COORDINATING( "CC" ),
  CONJUNCTION_SUBORDINATING( "IN" ),
  CARDINAL_NUMBER( "CD" ),
  DETERMINER( "DT" ),

  /* This category includes which, as well as that when it is used as a
   * relative pronoun.
   */
  DETERMINER_WH( "W" + DETERMINER ),
  EXISTENTIAL_THERE( "EX" ),
  FOREIGN_WORD( "FW" ),

  LIST_ITEM_MARKER( "LS" ),

  NOUN( "NN" ),
  NOUN_PLURAL( NOUN + "S" ),
  NOUN_PROPER_SINGULAR( NOUN + "P" ),
  NOUN_PROPER_PLURAL( NOUN + "PS" ),

  PREDETERMINER( "PDT" ),
  POSSESSIVE_ENDING( "POS" ),

  PRONOUN_PERSONAL( "PRP" ),
  PRONOUN_POSSESSIVE( "PRP$" ),

  /* This category includes the wh-word whose.
   */
  PRONOUN_POSSESSIVE_WH( "WP$" ),

  /* This category includes what, who and whom.
   */
  PRONOUN_WH( "WP" ),

  PARTICLE( "RP" ),

  /* This tag should be used for mathematical, scientific and technical symbols
   * or expressions that aren't English words. It should not used for any and
   * all technical expressions. For instance, the names of chemicals, units of
   * measurements (including abbreviations thereof) and the like should be
   * tagged as nouns.
   */
  SYMBOL( "SYM" ),
  TO( "TO" ),

  /* This category includes my (as in M y, what a gorgeous day), oh, please,
   * see (as in See, it's like this), uh, well and yes, among others.
   */
  INTERJECTION( "UH" ),

  VERB( "VB" ),
  VERB_PAST_TENSE( VERB + "D" ),
  VERB_PARTICIPLE_PRESENT( VERB + "G" ),
  VERB_PARTICIPLE_PAST( VERB + "N" ),
  VERB_SINGULAR_PRESENT_NONTHIRD_PERSON( VERB + "P" ),
  VERB_SINGULAR_PRESENT_THIRD_PERSON( VERB + "Z" ),

  /* This category includes all verbs that don't take an -s ending in the
   * third person singular present: can, could, (dare), may, might, must,
   * ought, shall, should, will, would.
   */
  VERB_MODAL( "MD" ),

  /* Stanford.
   */
  SENTENCE_TERMINATOR( "." );

  private final String tag;

  private PartOfSpeech( String tag ) {
    this.tag = tag;
  }

  /**
   * Returns the encoding for this part-of-speech.
   * 
   * @return A string representing a Penn Treebank encoding for an English
   * part-of-speech.
   */
  public String toString() {
    return getTag();
  }

  protected String getTag() {
    return this.tag;
  }

  public static PartOfSpeech get( String value ) {
    for( PartOfSpeech v : values() ) {
      if( value.equals( v.getTag() ) ) {
        return v;
      }
    }

    throw new IllegalArgumentException( "Unknown part of speech: '" + value + "'." );
  }
}

7

Tüm listeyi burada sağlıyorum ve referans bağlantısı veriyorum

1.  CC   Coordinating conjunction
2.  CD   Cardinal number
3.  DT   Determiner
4.  EX   Existential there
5.  FW   Foreign word
6.  IN   Preposition or subordinating conjunction
7.  JJ   Adjective
8.  JJR  Adjective, comparative
9.  JJS  Adjective, superlative
10. LS   List item marker
11. MD   Modal
12. NN   Noun, singular or mass
13. NNS  Noun, plural
14. NNP  Proper noun, singular
15. NNPS Proper noun, plural
16. PDT  Predeterminer
17. POS  Possessive ending
18. PRP  Personal pronoun
19. PRP$ Possessive pronoun
20. RB   Adverb
21. RBR  Adverb, comparative
22. RBS  Adverb, superlative
23. RP   Particle
24. SYM  Symbol
25. TO   to
26. UH   Interjection
27. VB   Verb, base form
28. VBD  Verb, past tense
29. VBG  Verb, gerund or present participle
30. VBN  Verb, past participle
31. VBP  Verb, non-3rd person singular present
32. VBZ  Verb, 3rd person singular present
33. WDT  Wh-determiner
34. WP   Wh-pronoun
35. WP$  Possessive wh-pronoun
36. WRB  Wh-adverb

Konuşma Bölümleri etiketlerinin tam listesini burada bulabilirsiniz .


4

Belirli POS (örneğin, İsim) etiketli kelime / yığın bulma ile ilgili ikinci sorunuzla ilgili olarak, takip edebileceğiniz örnek kod.

public static void main(String[] args) {
    Properties properties = new Properties();
    properties.put("annotators", "tokenize, ssplit, pos, lemma, ner, parse");
    StanfordCoreNLP pipeline = new StanfordCoreNLP(properties);

    String input = "Colorless green ideas sleep furiously.";
    Annotation annotation = pipeline.process(input);
    List<CoreMap> sentences = annotation.get(CoreAnnotations.SentencesAnnotation.class);
    List<String> output = new ArrayList<>();
    String regex = "([{pos:/NN|NNS|NNP/}])"; //Noun
    for (CoreMap sentence : sentences) {
        List<CoreLabel> tokens = sentence.get(CoreAnnotations.TokensAnnotation.class);
        TokenSequencePattern pattern = TokenSequencePattern.compile(regex);
        TokenSequenceMatcher matcher = pattern.getMatcher(tokens);
        while (matcher.find()) {
            output.add(matcher.group());
        }
    }
    System.out.println("Input: "+input);
    System.out.println("Output: "+output);
}

Çıktı:

Input: Colorless green ideas sleep furiously.
Output: [ideas]

2

Brown Corpus etiketleri gibi görünüyorlar .


14
Hayır, bunlar Brown Corpus etiket setinin basitleştirilmesi olan Penn English Treebank POS etiketleri.
Christopher Manning

Emin misiniz? Yukarıda verilen örnekte "." Etiketi bulunmaktadır. Bu, Brown Corpus'ta tanımlanmıştır, ancak yukarıdaki Penn Treebank etiketleri listesi tarafından tanımlanmamıştır, bu yüzden en azından cevabın sadece Penn Treebank etiketleri kadar basit olmadığı oldukça kesin görünmektedir.
Jules

Ek araştırma yaptıktan sonra, bunların Penn Treebank etiketleri olduğu anlaşılıyor, ancak bu tür etiketler üzerinde yukarıda belirtilen belgeler eksik: Penn Treebank etiketleri de, kabul edilen cevaptaki listeden çıkarılmış 9 noktalama işareti etiketi içeriyor. Daha fazla ayrıntı için ek cevabıma bakın.
Jules

2

Stanford CoreNLP Diğer Diller İçin Etiketler: Fransızca, İspanyolca, Almanca ...

Ayrıştırıcıyı varsayılan model olan İngilizce dili için kullandığınızı görüyorum. Ayrıştırıcıyı diğer diller için (Fransızca, İspanyolca, Almanca ...) kullanabilirsiniz ve hem belirteçlerin hem de konuşma etiketlerinin bir bölümünün her dil için farklı olduğunu unutmayın. Bunu yapmak istiyorsanız, dile özgü modeli indirmelisiniz (örneğin Maven gibi bir oluşturucu kullanarak) ve ardından kullanmak istediğiniz modeli ayarlamanız gerekir. Burada bunun hakkında daha fazla bilgi var.

Farklı diller için etiketlerin listesi:

  1. İspanyolca için Stanford CoreNLP POS Etiketleri
  2. Almanca Stanford CoreNLP POS Tagger kullanan Stuttgart-Tübingen Tag Seti (STTS)
  3. Fransızca için Stanford CoreNLP POS etiketleyici aşağıdaki etiketleri kullanır:

FRANSIZCA ETİKETLERİ:

Fransızca Konuşma Etiketlerinin Parçası

A     (adjective)
Adv   (adverb)
CC    (coordinating conjunction)
Cl    (weak clitic pronoun)
CS    (subordinating conjunction)
D     (determiner)
ET    (foreign word)
I     (interjection)
NC    (common noun)
NP    (proper noun)
P     (preposition)
PREF  (prefix)
PRO   (strong pronoun)
V     (verb)
PONCT (punctuation mark)

Fransızca Deyim Kategorileri Etiketler:

AP     (adjectival phrases)
AdP    (adverbial phrases)
COORD  (coordinated phrases)
NP     (noun phrases)
PP     (prepositional phrases)
VN     (verbal nucleus)
VPinf  (infinitive clauses)
VPpart (nonfinite clauses)
SENT   (sentences)
Sint, Srel, Ssub (finite clauses)

Fransızca için Sözdizimsel İşlevler:

SUJ    (subject)
OBJ    (direct object)
ATS    (predicative complement of a subject)
ATO    (predicative complement of a direct object)
MOD    (modifier or adjunct)
A-OBJ  (indirect complement introduced by à)
DE-OBJ (indirect complement introduced by de)
P-OBJ  (indirect complement introduced by another preposition)

@AMArostegui: İpucu için teşekkür ederim. Lütfen Evrensel bağımlılıkların İspanyolca için kullanıldığından açıkça bahsedildiği bir bağlantıyı paylaşın. Bağlantı UD içindir, ancak aslında Stanfoird Core NLP'de İspanyolca için kullanıldığına dair bir ipucu yoktur ve Stanford'un resmi belgeleri de bundan bahsetmemektedir.
Catalina Chircu

0

Uzayda bence çok hızlıydı, sadece düşük kaliteli bir not defterinde şöyle çalışacak:

import spacy
import time

start = time.time()

with open('d:/dictionary/e-store.txt') as f:
    input = f.read()

word = 0
result = []

nlp = spacy.load("en_core_web_sm")
doc = nlp(input)

for token in doc:
    if token.pos_ == "NOUN":
        result.append(token.text)
    word += 1

elapsed = time.time() - start

print("From", word, "words, there is", len(result), "NOUN found in", elapsed, "seconds")

Çıktı birkaç denemede:

From 3547 words, there is 913 NOUN found in 7.768507719039917 seconds
From 3547 words, there is 913 NOUN found in 7.408619403839111 seconds
From 3547 words, there is 913 NOUN found in 7.431427955627441 seconds

Bu yüzden, her bir POS etiketi kontrolü için döngü hakkında endişelenmenize gerek olmadığını düşünüyorum :)

Belirli boru hattını devre dışı bıraktığımda daha fazla gelişme var:

nlp = spacy.load("en_core_web_sm", disable = 'ner')

Sonuç daha hızlı:

From 3547 words, there is 913 NOUN found in 6.212834596633911 seconds
From 3547 words, there is 913 NOUN found in 6.257707595825195 seconds
From 3547 words, there is 913 NOUN found in 6.371225833892822 seconds
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.