Java Stanford NLP: часть речевых этикеток?

172

Stanford NLP, демо-версия здесь , дает такой результат:

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

Что означают теги «Часть речи»? Я не могу найти официальный список. Это собственная система Стэнфорда, или они используют универсальные теги? (Что такое JJ, например?)

Кроме того, когда я перебираю предложения, ища существительные, например, я заканчиваю тем, что проверяю, есть ли тег .contains('N'). Это чувствует себя довольно слабым. Есть ли лучший способ программно искать определенную часть речи?

Ник Хейнер
источник
Это может быть ничтожным, но вы должны использовать, .starts_with('N')а не contains, так как «IN» и «VBN» также содержат «N». И это, вероятно, лучший способ узнать, какие слова теггер считает существительными.
Джозеф

Ответы:

276

Проект Penn Treebank . Посмотрите на теги части речи ps.

JJ прилагательное. NNS - существительное, множественное число. VBP - глагол настоящего времени. РБ это наречие.

Это для английского. Для китайцев это Penn Chinese Treebank. А для немецкого это корпус NEGRA.

  1. Координационное соединение СС
  2. CD Кардинальный номер
  3. DT определитель
  4. EX Existential там
  5. FW Иностранное слово
  6. Предлог или подчиняющее соединение
  7. JJ Прилагательное
  8. JJR прилагательное, сравнительный
  9. JJS Прилагательное, превосходный
  10. Маркер элемента списка LS
  11. МД Модал
  12. NN Существительное, единственное или массовое
  13. NNS Существительное, множественное число
  14. NNP имя собственное, единственное число
  15. NNPS Собственное существительное, множественное число
  16. Предопределитель ФДТ
  17. POS притяжательное окончание
  18. PRP Личное местоимение
  19. PRP $ Притяжательное местоимение
  20. РБ Адверб
  21. RBR Adverb, сравнительный
  22. RBS Adverb, превосходная степень
  23. RP Particle
  24. SYM Symbol
  25. К
  26. UH Interjection
  27. VB Глагол, базовая форма
  28. Глагол VBD, прошедшее время
  29. VBG Глагол, герунд или настоящее причастие
  30. Глагол VBN, причастие прошедшего времени
  31. VBP Глагол, не 3-е лицо единственное настоящее
  32. VBZ Глагол, 3-й человек единственное настоящее
  33. WDT Whdeterminer
  34. WP Whpronoun
  35. WP $ Обязательный whpronoun
  36. WRB Whadverb
старость
источник
Мое предложение изменить исправление в этом ответе было отклонено. Поэтому, пожалуйста, также посмотрите мой опубликованный ответ ниже, который содержит некоторую информацию, отсутствующую в этом ответе.
Жюль
3
Что такое 10-й ЛС?
Деваврата
3
«чтобы» должно быть особенным. получил свой собственный тег
вялый
4
Очень хорошая ссылка на это - « Список и объяснение частей речевых тегов» Эрвина Р. Комена . Кроме того , интерес может быть Komen в Исследования на английском языке и домашнюю Komen, в erwinkomen.ruhosting.nl
CoolHandLouis
1
Являются ли теги, используемые в Stanford POS Tagger и Penn Tree bank, одинаковыми?
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
vaichidrewar
источник
2
Можете ли вы привести источник?
Дэвид
как насчет знаков препинания? например, токен ',' получает PoS ','. Есть ли список, который включает эти PoS?
Дэвид
А как насчет PoS "-LRB-" для токена '('?
David Portabella
34

В принятом ответе выше отсутствует следующая информация:

Также определены 9 тегов пунктуации (которые не перечислены в некоторых ссылках, см. Здесь ). Эти:

  1. #
  2. $
  3. '' (используется для всех форм закрывающей кавычки)
  4. ((используется для всех форм открывающей скобки)
  5. ) (используется для всех форм закрывающей скобки)
  6. ,
  7. , (используется для всех знаков препинания, заканчивающихся предложениями)
  8. : (используется для двоеточий, точек с запятой и эллипсов)
  9. `` (используется для всех форм открывающей кавычки)
Жюль
источник
17

Вот более полный список тегов для Penn Treebank (опубликован здесь для полноты картины):

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

Он также включает теги для уровней предложений и фраз.

Уровень предложения

- S
- SBAR
- SBARQ
- SINV
- SQ

Уровень фразы

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

(описания в ссылке)

Юлий Курт
источник
2
Знаешь что? Это настоящий список, который нужен людям! Не только POS-теги Penn Treebank, потому что они только для слов
windweller
Не могли бы вы добавить описания рядом с сокращениями?
Петрус Терон
12

На всякий случай, если вы хотели закодировать это ...

/**
 * 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 + "'." );
  }
}
Дейв Джарвис
источник
7

Я предоставляю весь список здесь, а также даю ссылку

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

Вы можете найти полный список тегов частей речи здесь .

Шри
источник
4

Что касается вашего второго вопроса о поиске конкретного слова / чанка с тегом POS (например, существительное), вот пример кода, которому вы можете следовать.

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);
}

Выход:

Input: Colorless green ideas sleep furiously.
Output: [ideas]
Ашок Кумар Пант
источник
2

Похоже, это коричневые бирки .

Джонатан Фейнберг
источник
14
Нет, это POS-теги Penn English Treebank, которые являются упрощением набора тегов Brown Corpus.
Кристофер Мэннинг
Ты уверен? В приведенном выше примере есть тег «.» который определен в «Коричневом корпусе», но не определен списком тегов Penn Treebank, приведенным выше, поэтому кажется достаточно уверенным, что, по крайней мере, ответ не так прост, как просто теги Penn Treebank.
Жюль
Сделав дополнительные исследования, оказалось , что они являются Penn Treebank теги, но документация цитированной выше на таких тегов является неполным: Penn Treebank теги также включают в себя 9 знак препинания метки , которые были исключены из списка в общепринятом ответ. Смотрите мой дополнительный ответ для более подробной информации.
Жюль
2

Теги Stanford CoreNLP для других языков: французский, испанский, немецкий ...

Я вижу, вы используете парсер для английского языка, который является моделью по умолчанию. Вы можете использовать синтаксический анализатор для других языков (французский, испанский, немецкий ...) и, имейте в виду, что как токенизаторы, так и часть речевых тегов различны для каждого языка. Если вы хотите сделать это, вы должны загрузить определенную модель для языка (используя, например, конструктор, такой как Maven), а затем установить модель, которую вы хотите использовать. Здесь у вас есть больше информации об этом.

Вот вам списки тегов для разных языков:

  1. Теги Stanford CoreNLP POS для испанского
  2. Stanford CoreNLP POS Tagger для немецкого языка использует набор меток Штутгарт-Тюбинген (STTS)
  3. POS-тег Stanford CoreNLP для французского языка использует следующие теги:

TAGS FOR FRENCH:

Часть речевых меток для французского

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)

Phrasal Категории Метки для французского:

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)

Синтаксические функции для французского:

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)
Каталина Чирку
источник
@AMArostegui: Спасибо за подсказку. Пожалуйста, поделитесь ссылкой, где прямо упоминается, что универсальные зависимости используются для испанского языка. Ссылка предназначена для UD, но нет никаких намеков на то, что они фактически используются для испанского языка в Stanfoird Core NLP, и официальная документация Stanford также не упоминает об этом.
Каталина Чирку
0

В просторе это было очень быстро, я думаю, только в ноутбуке низкого уровня он будет работать так:

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")

Выход в несколько проб:

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

Итак, я думаю, вам не нужно беспокоиться о цикле для каждой проверки POS-тегов :)

Больше улучшений я получил, когда отключил определенный конвейер:

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

Итак, результат быстрее:

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
Сяуки Харис
источник