0

所以我试图从文本中提取一些信息，我正在使用 NLTK 分块。

这是我的输入

The stocks show 67% rise, last year it was 12% fall

我想捕捉

67% rise和12% fall

POS Tagging 上面这句话显示

('The', 'DT'), ('stocks', 'NNS'), ('show', 'VBP'), ('67', 'CD'), ('%', 'NN'), ('rise', 'NN'), (',', ','), ('last', 'JJ'), ('year', 'NN'), ('it', 'PRP'), ('was', 'VBD'), ('12', 'CD'), ('%', 'NN'), ('fall', 'NN')

现在，我想出了一个简单的规则

Stat: {<CD><NN>(<NN>+|<VBN>|JJ)?}

效果很好并且可以捕获

('67', 'CD'), ('%', 'NN'), ('rise', 'NN')

('12', 'CD'), ('%', 'NN'), ('fall', 'NN')

但在我的数据集中，我有类似的东西

5 million dollars

这是

('5', 'CD'), ('man', 'NN'), ('stock', 'NN')

并且也被错误地捕获。所以我想%在我的规则中加入标志

Stat: {<CD><%>(<NN>+|<VBN>|JJ)?}

但这条规则现在不匹配任何东西。我如何%在我的块规则中转义/包含？

更新

所以，我不明白的是我可以匹配其他特殊字符。例如，如果我有一个规则

XYZ:{<:>}

这匹配:输入中的所有 s。所以我要做的就是

XYZ:{<%>}

这不起作用。我试图%逃避

XYZ:{<\%>}

但这也不起作用。我试过\\但无济于事。我真的不想修改输入字符串，因为一旦我匹配，我想找出匹配字符串的索引。因此，如果我修改输入字符串，除非我先进行反向转换，否则我的索引将被抛出

4

2 回答 2

0

好吧，因为它是一个正则表达式，你可以逃避它。

Stat: {<CD><\%>(<NN>+|<VBN>|JJ)?}

您还可以有一个要替换的关键字列表，这样您的块规则就不会变得过长。

例如

s = '56% rise and 75% fall'
gen_replacements = [('%', 'PERCENTAGE'), ('perc.', 'PERCENTAGE'), etc]
for ndl, rpl in gen_replacements:
    s = s.replace(' %s ' % ndl, ' %s ' % rpl)

Stat: {<CD><PERCENTAGE>(<NN>+|<VBN>|JJ)?}
于 2017-02-12T00:32:44.407 回答
0

使用像 < CD >< NN >+这样的模式

于 2018-01-02T11:00:31.137 回答