交互式NLP词性(POS)标记-强制某些术语成为特定标记

Question

我正在尝试执行POS，并且我对任何基于Java的标签器(目前使用OpenNLP)都是开放的。有没有办法“强制”标记者将特定的术语(或单词的组合)识别为特定的标记，并基于此对其他标记进行分类？在某种程度上允许对标签进行“交互式修正”。考虑到这样的“校正”是交互式的，用这种新信息实时地“完全训练”标记者是不现实的。

例如，考虑一句话：“我从来没有在湖里游过那么多的力气”。在这里，"swimming“是一个gerrund (名词，而不是动词)，用户可能会说"swimming in the lake”是一个名词(在整个句子的上下文中)。如果他指定了这一点，如果标记者吐出"lake“作为单独的名词，这是不好的，因为"lake”已经是“在湖中游泳”的一部分。

你们认为最好的方法是什么？有API调用吗，或者在标记之前，我必须用其他东西替换掉“在湖里游泳”吗？但是，我不认为后一种方法是可靠的，因为我仍然依赖标记器来正确地标记它，而使用已经确切地告诉我它应该是什么。谢谢。

Answer 1

如果你想在一个给定的固定POS机标签周围更改其他标签，(据我所知)在CoreNLP中没有办法在不重新训练标签者的情况下做到这一点。

但是，听起来你在这里想要的实际上是一个标记器的区别：“在湖里游泳”是一个名词短语，而不是一个名词，无论你如何训练POS标记器，它都会独立地标记短语中的四个单词。您可以做的一件事是使用分块程序(我认为OpenNLP有一个)或解析器来提取这些名词短语；实际上，即使词性标记器搞砸了，语法分析器也应该正确地猜测跨度是名词短语。