分塊，根據(jù)句子的詞和詞性，按照規(guī)則組織合分塊，分塊代表實體。常見實體，組織、人員、地點、日期、時間。名詞短語分塊(NP-chunking)，通過詞性標(biāo)記、規(guī)則識別，通過機器學(xué)習(xí)方法識別。介詞短語(PP)、動詞短語(VP)、句子(S)。
分塊標(biāo)記，IOB標(biāo)記，I(inside，內(nèi)部)、O(outside，外部)、B(begin，開始)。樹結(jié)構(gòu)存儲分塊。多級分塊，多重分塊方法。級聯(lián)分塊。
關(guān)系抽取，找出實體間關(guān)系。實體識別認知事物，關(guān)系識別掌握真相。三元組(X,a,Y)，X、Y實體，a表達關(guān)系字符串。通過正則識別。from nltk.corpus import conll2000，print(conll2000.chunked_sents('train.txt')[99]) 。
文法，潛在無限句子集合緊湊特性。形式化模型，覆蓋所有結(jié)構(gòu)句子。符合多種文法句子有歧義。只能用特征方法處理。
文法特征結(jié)構(gòu)，單詞最后字母、詞性標(biāo)簽、文法類別、正字拼寫、指示物、關(guān)系、施事角色、受事角色。文法特征是鍵值對，特征結(jié)構(gòu)存儲形式是字典。句法協(xié)議、屬性、約束、術(shù)語。import nltk，fs1 = nltk.FeatStruct(TENSE='past', NUM='sg') ，fs2 = nltk.FeatStruct(POS='N', AGR=fs1) 。nltk產(chǎn)生式文法描述 /nltk_data/grammars/book_grammars 。sql0.fcfg，查找國家城市sql語句文法:
% start S
S[SEM=(?np + WHERE + ?vp)] -> NP[SEM=?np] VP[SEM=?vp]
VP[SEM=(?v + ?pp)] -> IV[SEM=?v] PP[SEM=?pp]
VP[SEM=(?v + ?ap)] -> IV[SEM=?v] AP[SEM=?ap]
NP[SEM=(?det + ?n)] -> Det[SEM=?det] N[SEM=?n]
PP[SEM=(?p + ?np)] -> P[SEM=?p] NP[SEM=?np]
AP[SEM=?pp] -> A[SEM=?a] PP[SEM=?pp]
NP[SEM='Country="greece"'] -> 'Greece'
NP[SEM='Country="china"'] -> 'China'
Det[SEM='SELECT'] -> 'Which' | 'What'
N[SEM='City FROM city_table'] -> 'cities'
IV[SEM=''] -> 'are'
A[SEM=''] -> 'located'
P[SEM=''] -> 'in'
加載文法描述
import nltk
from nltk import load_parser
cp = load_parser('grammars/book_grammars/sql0.fcfg')
query = 'What cities are located in China'
tokens = query.split()
for tree in cp.parse(tokens):
print(tree)
參考資料：
《Python 自然語言處理》
http://www.shareditor.com/blogshow?blogId=70
http://www.shareditor.com/blogshow?blogId=71
歡迎推薦上海機器學(xué)習(xí)工作機會，我的微信：qingxingfengzi
