Avec le CoreNLPParser.tag()
actuel, la "retokenisation" par Stanford CoreNLP est inattendue :
>>> from nltk.parse.corenlp import CoreNLPParser
>>> ner_tagger = CoreNLPParser(url='http://localhost:9000', tagtype='ner')
>>> sent = ['my', 'phone', 'number', 'is', '1111', '1111', '1111']
>>> ner_tagger.tag(sent)
[('my', 'O'),
('phone', 'O'),
('number', 'O'),
('is', 'O'),
('1111\xa01111\xa01111', 'NUMBER')]
Le comportement attendu doit être :
>>> from nltk.parse.corenlp import CoreNLPParser
>>> ner_tagger = CoreNLPParser(url='http://localhost:9000', tagtype='ner')
>>> sent = ['my', 'phone', 'number', 'is', '1111', '1111', '1111']
>>> ner_tagger.tag(sent)
[('my', 'O'), ('phone', 'O'), ('number', 'O'), ('is', 'O'), ('1111', 'DATE'), ('1111', 'DATE'), ('1111', 'DATE')]
La solution proposée est d'autoriser la surcharge des arguments properties
pour .tag()
et .tag_sents()
, c'est-à-dire sur https://github.com/nltk/nltk/blob/develop/nltk/parse/ corenlp.py#L348 et par défaut utilisez properties = {'tokenize.whitespace':'true'}
car nous concaténons les jetons par des espaces dans tag_sents()
.
def tag_sents(self, sentences, properties=None):
"""
Tag multiple sentences.
Takes multiple sentences as a list where each sentence is a list of
tokens.
:param sentences: Input sentences to tag
:type sentences: list(list(str))
:rtype: list(list(tuple(str, str))
"""
# Converting list(list(str)) -> list(str)
sentences = (' '.join(words) for words in sentences)
if properties == None:
properties = {'tokenize.whitespace':'true'}
return [sentences[0] for sentences in self.raw_tag_sents(sentences, properties)]
def tag(self, sentence, properties=None):
"""
Tag a list of tokens.
:rtype: list(tuple(str, str))
>>> parser = CoreNLPParser(url='http://localhost:9000', tagtype='ner')
>>> tokens = 'Rami Eid is studying at Stony Brook University in NY'.split()
>>> parser.tag(tokens)
[('Rami', 'PERSON'), ('Eid', 'PERSON'), ('is', 'O'), ('studying', 'O'), ('at', 'O'), ('Stony', 'ORGANIZATION'),
('Brook', 'ORGANIZATION'), ('University', 'ORGANIZATION'), ('in', 'O'), ('NY', 'O')]
>>> parser = CoreNLPParser(url='http://localhost:9000', tagtype='pos')
>>> tokens = "What is the airspeed of an unladen swallow ?".split()
>>> parser.tag(tokens)
[('What', 'WP'), ('is', 'VBZ'), ('the', 'DT'),
('airspeed', 'NN'), ('of', 'IN'), ('an', 'DT'),
('unladen', 'JJ'), ('swallow', 'VB'), ('?', '.')]
"""
return self.tag_sents([sentence], properties)[0]
def raw_tag_sents(self, sentences, properties=None):
"""
Tag multiple sentences.
Takes multiple sentences as a list where each sentence is a string.
:param sentences: Input sentences to tag
:type sentences: list(str)
:rtype: list(list(list(tuple(str, str)))
"""
default_properties = {'ssplit.isOneSentence': 'true',
'annotators': 'tokenize,ssplit,' }
default_properties.update(properties or {})
# Supports only 'pos' or 'ner' tags.
assert self.tagtype in ['pos', 'ner']
default_properties['annotators'] += self.tagtype
for sentence in sentences:
tagged_data = self.api_call(sentence, properties=default_properties)
yield [[(token['word'], token[self.tagtype]) for token in tagged_sentence['tokens']]
for tagged_sentence in tagged_data['sentences']]
Cela devrait imposer la liste des jetons de chaîne entrés par les utilisateurs.
Si nous permettons au .tag()
de surcharger les propriétés avant le raw_tag_sents
, cela permettra également aux utilisateurs de gérer facilement des cas comme #1876
Cela semble bon.
Juste quelques commentaires mineurs. Il devrait être if properties is None
, pas if properties == None
. assert self.tagtype in ['pos', 'ner']
devrait être assert self.tagtype in ['pos', 'ner'], "CoreNLP tagger supports only 'pos' or 'ner' tags."
.
Je n'aime pas vraiment l'idée de joindre et de diviser des chaînes, peut-être qu'il pourrait y avoir un moyen de transmettre une liste de mots à CoreNLP sous forme de phrase au lieu d'une simple chaîne.
Bonjour, j'aimerais en faire mon premier problème.
C'est super que vous vous intéressiez à la question. Si vous avez des questions, posez-les ici.
Commentaire le plus utile
Cela semble bon.
Juste quelques commentaires mineurs. Il devrait être
if properties is None
, pasif properties == None
.assert self.tagtype in ['pos', 'ner']
devrait êtreassert self.tagtype in ['pos', 'ner'], "CoreNLP tagger supports only 'pos' or 'ner' tags."
.Je n'aime pas vraiment l'idée de joindre et de diviser des chaînes, peut-être qu'il pourrait y avoir un moyen de transmettre une liste de mots à CoreNLP sous forme de phrase au lieu d'une simple chaîne.