Java Stanford PNL: une partie des étiquettes de discours?

172

La PNL de Stanford, présentée ici , donne une sortie comme celle-ci:

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

Que signifient les balises "Part of Speech"? Je ne parviens pas à trouver une liste officielle. S'agit-il du propre système de Stanford ou utilisent-ils des balises universelles? (Qu'est-ce que JJ, par exemple?)

De plus, lorsque je parcours les phrases, à la recherche de noms, par exemple, je finis par faire quelque chose comme vérifier si la balise .contains('N'). Cela semble assez faible. Existe-t-il un meilleur moyen de rechercher par programmation une certaine partie du discours?

Nick Heiner
la source
Cela peut être un pinaillage, mais vous devriez utiliser .starts_with('N')plutôt que contains, puisque «IN» et «VBN» contiennent également «N». Et c'est probablement la meilleure façon de trouver les mots que le tagueur pense être des noms.
Joseph

Réponses:

276

Le projet Penn Treebank . Regardez le ps de balisage de partie de discours .

JJ est un adjectif. NNS est nom, pluriel. VBP est le présent du verbe. RB est un adverbe.

C'est pour l'anglais. Pour les chinois, c'est le Penn Chinese Treebank. Et pour l'allemand, c'est le corpus NEGRA.

  1. CC Coordination conjonction
  2. Numéro cardinal du CD
  3. Déterminateur DT
  4. EX Existentiel là-bas
  5. Mot étranger FW
  6. IN Préposition ou conjonction subordonnée
  7. Adjectif JJ
  8. JJR Adjectif, comparatif
  9. JJS Adjectif, superlatif
  10. Marqueur d'élément de liste LS
  11. MD Modal
  12. NN Nom, singulier ou masse
  13. NNS Nom, pluriel
  14. NNP Nom propre, singulier
  15. NNPS Nom propre, pluriel
  16. PDT Predeterminer
  17. POS Fin possessif
  18. PRP Pronom personnel
  19. PRP $ Pronom possessif
  20. Adverbe RB
  21. Adverbe RBR, comparatif
  22. Adverbe RBS, superlatif
  23. Particule RP
  24. Symbole SYM
  25. TO à
  26. Interjection UH
  27. Verbe VB, forme de base
  28. Verbe VBD, passé
  29. Verbe VBG, gérondif ou participe présent
  30. Verbe VBN, participe passé
  31. Verbe VBP, non3ème personne du singulier présente
  32. Verbe VBZ, 3e personne du singulier présent
  33. WDT Whdeterminer
  34. WP Whpronoun
  35. WP $ Possessif whpronoun
  36. WRB Whadverb
anno
la source
Ma suggestion de modification pour corriger une lacune dans cette réponse a été rejetée. Par conséquent, veuillez également consulter ma réponse publiée ci-dessous, qui contient des informations manquantes dans cette réponse.
Jules
3
Qu'est-ce que la 10e LS exactement?
Devavrata
3
«to» doit être spécial. a son propre tag
quemeful
4
Une très bonne référence à cela est la liste d'Erwin R. Komen et l'explication des parties des étiquettes de discours . La recherche de Komen en anglais et la page d'accueil de Komen, erwinkomen.ruhosting.nl
CoolHandLouis
1
Les étiquettes utilisées dans Stanford POS Tagger et Penn Tree Bank sont-elles les mêmes?
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
la source
2
pouvez-vous s'il vous plaît citer la source?
David Portabella
qu'en est-il des ponctuations? par exemple, un jeton ',' obtient le PoS ','. y a-t-il une liste qui inclut ces PoS?
David Portabella
Qu'en est-il du PoS "-LRB-" pour le jeton '('?
David Portabella
34

La réponse acceptée ci-dessus ne contient pas les informations suivantes:

Il existe également 9 balises de ponctuation définies (qui ne sont pas répertoriées dans certaines références, voir ici ). Ceux-ci sont:

  1. #
  2. $
  3. '' (utilisé pour toutes les formes de devis de clôture)
  4. ((utilisé pour toutes les formes de parenthèses ouvrantes)
  5. ) (utilisé pour toutes les formes de parenthèses fermantes)
  6. ,
  7. . (utilisé pour toutes les ponctuations de fin de phrase)
  8. : (utilisé pour les deux points, les points-virgules et les ellipses)
  9. `` (utilisé pour toutes les formes de devis d'ouverture)
Jules
la source
17

Voici une liste plus complète de balises pour le Penn Treebank (posté ici par souci d'exhaustivité):

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

Il comprend également des balises pour les niveaux de clause et de phrase.

Niveau de la clause

- S
- SBAR
- SBARQ
- SINV
- SQ

Niveau de phrase

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

(descriptions dans le lien)

Iulius Curt
la source
2
Vous savez quoi? C'est la vraie liste dont les gens ont besoin! Pas seulement les balises Penn Treebank POS, car ce ne sont que des mots
Windweller
Pourriez-vous ajouter les descriptions à côté des abréviations?
Petrus Theron
12

Juste au cas où vous voudriez le coder ...

/**
 * 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 + "'." );
  }
}
Dave Jarvis
la source
7

Je fournis la liste complète ici et donne également un lien de référence

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

Vous pouvez trouver la liste complète des balises Parties de la parole ici .

Sri
la source
4

En ce qui concerne votre deuxième question de trouver un mot / un morceau étiqueté POS (par exemple, Noun), voici l'exemple de code que vous pouvez suivre.

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);
}

La sortie est:

Input: Colorless green ideas sleep furiously.
Output: [ideas]
Pantalon Ashok Kumar
la source
2

Ils semblent être des balises Brown Corpus .

Jonathan Feinberg
la source
14
Non, ce sont des balises Penn English Treebank POS, qui simplifient le jeu de balises Brown Corpus.
Christopher Manning
Êtes-vous sûr? L'exemple cité ci-dessus comprend une balise "." qui est défini dans le Brown Corpus, mais n'est pas défini par la liste des balises Penn Treebank ci-dessus, il semble donc assez certain qu'au moins la réponse n'est pas aussi simple que ce ne sont que des balises Penn Treebank.
Jules
Ayant fait des recherches supplémentaires, il semble qu'ils sont des balises Penn Treebank, mais que la documentation citée ci - dessus sur ces balises est incomplète: les balises Penn Treebank comprennent également 9 balises de signe de ponctuation qui ont été omis de la liste dans la réponse acceptée. Voir ma réponse supplémentaire pour plus de détails.
Jules
2

Étiquettes Stanford CoreNLP pour d'autres langues: français, espagnol, allemand ...

Je vois que vous utilisez l'analyseur pour la langue anglaise, qui est le modèle par défaut. Vous pouvez utiliser l'analyseur pour d'autres langues (français, espagnol, allemand ...) et, sachez que les tokenizers et une partie des baliseurs vocaux sont différents pour chaque langue. Si vous souhaitez faire cela, vous devez télécharger le modèle spécifique pour la langue (en utilisant un constructeur comme Maven par exemple), puis définir le modèle que vous souhaitez utiliser. Ici vous avez plus d'informations à ce sujet.

Voici des listes de balises pour différentes langues:

  1. Étiquettes de point de vente Stanford CoreNLP pour l'espagnol
  2. Stanford CoreNLP POS Tagger pour l'allemand utilise le jeu d'étiquettes Stuttgart-Tübingen (STTS)
  3. Le tagueur de point de vente Stanford CoreNLP pour le français utilise les balises suivantes:

TAGS POUR LE FRANÇAIS:

Fait partie de Speech Tags for French

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)

Catégories de phrases Mots clés pour le français:

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)

Fonctions syntaxiques pour le français:

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)
Catalina Chircu
la source
@AMArostegui: Merci pour l'allusion. Veuillez partager un lien où il est expressément mentionné que les dépendances universelles sont utilisées pour l'espagnol. Le lien est pour l'UD mais rien n'indique qu'ils soient réellement utilisés pour l'espagnol dans Stanfoird Core NLP et la documentation officielle de Stanford ne le mentionne pas non plus.
Catalina Chircu
0

Dans Spacy, c'était très rapide je pense, dans juste un ordinateur portable bas de gamme, il fonctionnera comme ceci:

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")

La sortie en plusieurs essais:

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

Donc, je pense que vous n'avez pas à vous soucier de la boucle pour chaque vérification d'étiquette POS :)

Plus d'amélioration que j'ai obtenue en désactivant certains pipelines:

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

Donc, le résultat est plus rapide:

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
Syauqi Haris
la source