如何使用NLTK正则表达式模式来标注带有UP/DOWN指标的财经新闻？

Question

我正在复制本文中描述的算法：https://arxiv.org/pdf/1811.11008.pdf

在最后一页，它使用以下示例描述了提取语法中定义的'NP JJ‘中定义的叶子:营业利润率为8.3%，而去年同期为11.8%。

我期望看到一片标有'NP JJ‘的叶子，但我没有看到。我正在绞尽脑汁地解释为什么(正则表达式相对较新)。

def split_sentence(sentence_as_string):
    ''' function to split sentence into list of words
    '''
    words = word_tokenize(sentence_as_string)

    return words

def pos_tagging(sentence_as_list):

    words = nltk.pos_tag(sentence_as_list)

    return words

def get_regex(sentence, grammar):

    sentence = pos_tagging(split_sentence(sentence));

    cp = nltk.RegexpParser(grammar) 

    result = cp.parse(sentence) 

    return result


example_sentence = "Operating profit margin was 8.3%, compared to 11.8% a year earlier."

grammar = """JJ : {< JJ.∗ > ∗}
            V B : {< V B.∗ >}
            NP : {(< NNS|NN >)∗}
            NP P : {< NNP|NNP S >}
            RB : {< RB.∗ >}
            CD : {< CD >}
            NP JJ : : {< NP|NP P > +(< (>< .∗ > ∗ <) >) ∗ (< IN >< DT > ∗ < RB > ∗ < JJ > ∗ < NP|NP P >) ∗ < RB > ∗(< V B >< JJ >< NP >)∗ < V B > (< DT >< CD >< NP >) ∗ < NP|NP P > ∗ < CD > ∗ < .∗ > ∗ < CD > ∗| < NP|NP P >< IN >< NP|NP P >< CD >< .∗ > ∗ <, >< V B > < IN >< NP|NP P >< CD >}"""

grammar = grammar.replace('∗','*')

tree = get_regex(example_sentence, grammar)

print(tree)

Answer 1

首先，请参阅How to use nltk regex pattern to extract a specific phrase chunk?

让我们看看句子的词性标签是什么：

from nltk import word_tokenize, pos_tag

text = "Operating profit margin was 8.3%, compared to 11.8% a year earlier."
pos_tag(word_tokenize(text))

输出

[('Operating', 'NN'),
 ('profit', 'NN'),
 ('margin', 'NN'),
 ('was', 'VBD'),
 ('8.3', 'CD'),
 ('%', 'NN'),
 (',', ','),
 ('compared', 'VBN'),
 ('to', 'TO'),
 ('11.8', 'CD'),
 ('%', 'NN'),
 ('a', 'DT'),
 ('year', 'NN'),
 ('earlier', 'RBR'),
 ('.', '.')]

首先抓到你了！任何标记中都没有JJ

这句话中的任何一个词性都没有JJ标签。

让我们回到纸质的https://arxiv.org/pdf/1811.11008.pdf

​

​

尽管如此，NP JJ并不是最终目标；最终目标是基于一些启发式方法生成UP或DOWN标签。

让我们重新表述这些步骤：

1. 使用解析器(在本例中，使用某种形式的正则表达式解析器)解析句子，表示句子具有模式，它可以告诉用户关于最终标签的用法。

2a。遍历解析树以提取另一个模式，它告诉我们有关性能指示器和数值的信息。

2b。使用提取的提取的数值来确定方向性UP / DOWN，使用一些启发式

2c。用(2b)中标识的UP / Down标记句子

让我们看看我们可以先构建哪个组件。

2b。提取另一个模式，它告诉我们有关性能指标和数值的信息。

我们知道某个百分比的输出总是CD NN from

('8.3', 'CD'), ('%', 'NN')
('11.8', 'CD'), ('%', 'NN')

因此，让我们尝试在语法中捕捉到这一点。

patterns = """
PERCENT: {<CD><NN>}
"""

PChunker = RegexpParser(patterns)
PChunker.parse(pos_tag(word_tokenize(text)))

输出

Tree('S', [('Operating', 'NN'), ('profit', 'NN'), ('margin', 'NN'), ('was', 'VBD'), 
  Tree('PERCENT', [('8.3', 'CD'), ('%', 'NN')]), 
(',', ','), ('compared', 'VBN'), ('to', 'TO'), 
  Tree('PERCENT', [('11.8', 'CD'), ('%', 'NN')]), 
('a', 'DT'), ('year', 'NN'), ('earlier', 'RBR'), ('.', '.')])

现在，我们如何得到这个：

1. Identify表示句子有一个模式，可以告诉用户关于最终标签的用法。

我们知道<PERCENT> compared to <PERCENT>是一个很好的模式，所以让我们尝试对它进行编码。

我们知道compared to有来自VBN TO的标签

 ('8.3', 'CD'),
 ('%', 'NN'),
 (',', ','),
 ('compared', 'VBN'),
 ('to', 'TO'),
 ('11.8', 'CD'),
 ('%', 'NN'),

这样如何：

patterns = """
PERCENT: {<CD><NN>}
P2P: {<PERCENT><.*>?<VB.*><TO><PERCENT>}
"""

PChunker = RegexpParser(patterns)
PChunker.parse(pos_tag(word_tokenize(text)))

输出

Tree('S', [('Operating', 'NN'), ('profit', 'NN'), ('margin', 'NN'), ('was', 'VBD'), 
           Tree('P2P', [
               Tree('PERCENT', [('8.3', 'CD'), ('%', 'NN')]), 
               (',', ','), ('compared', 'VBN'), ('to', 'TO'), 
               Tree('PERCENT', [('11.8', 'CD'), ('%', 'NN')])]
               ), 
           ('a', 'DT'), ('year', 'NN'), ('earlier', 'RBR'), ('.', '.')]
    )

但是这个模式可以是任意的数字。我们需要performance indicator的信号

由于我不是金融领域的领域专家，简单地使用operating profit margin的存在可能是一个好的信号，例如

from nltk import word_tokenize, pos_tag, RegexpParser

patterns = """
PERCENT: {<CD><NN>}
P2P: {<PERCENT><.*>?<VB.*><TO><PERCENT>}
"""

PChunker = RegexpParser(patterns)


text = "Operating profit margin was 8.3%, compared to 11.8% a year earlier."

indicators = ['operating profit margin']
for i in indicators:
    if i in text.lower():
        print(PChunker.parse(pos_tag(word_tokenize(text))))

输出

(S
  Operating/NN
  profit/NN
  margin/NN
  was/VBD
  (P2P
    (PERCENT 8.3/CD %/NN)
    ,/,
    compared/VBN
    to/TO
    (PERCENT 11.8/CD %/NN))
  a/DT
  year/NN
  earlier/RBR
  ./.)

现在，我们如何获取UP / DOWN

2b。使用提取的数值通过一些启发式方法来确定向上/向下的方向

仅从示例句子中，除了“较早”之外，没有任何其他信息告诉我们数字的先行关系。

所以让我们假设一下，如果我们有模式PERCENT VBN TO PERCENT earlier，我们说2%是一个更老的数字。

import nltk
from nltk import word_tokenize, pos_tag, RegexpParser

patterns = """
PERCENT: {<CD><NN>}
P2P: {<PERCENT><.*>?<VB.*><TO><PERCENT><.*>*<RBR>}
"""

def traverse_tree(tree, label=None):
    # print("tree:", tree)
    for subtree in tree:
        if type(subtree) == nltk.tree.Tree and subtree.label() == label:
            yield subtree

PChunker = RegexpParser(patterns)

parsed_text = PChunker.parse(pos_tag(word_tokenize(text)))
for p2p in traverse_tree(parsed_text, 'P2P'):
    print(p2p)

输出

(P2P
  (PERCENT 8.3/CD %/NN)
  ,/,
  compared/VBN
  to/TO
  (PERCENT 11.8/CD %/NN)
  a/DT
  year/NN
  earlier/RBR)

那么UP / DOWN标签呢？

import nltk
from nltk import word_tokenize, pos_tag, RegexpParser

patterns = """
PERCENT: {<CD><NN>}
P2P: {<PERCENT><.*>?<VB.*><TO><PERCENT><.*>*<RBR>}
"""

PChunker = RegexpParser(patterns)


def traverse_tree(tree, label=None):
    # print("tree:", tree)
    for subtree in tree:
        if type(subtree) == nltk.tree.Tree and subtree.label() == label:
            yield subtree

def labelme(text):
    parsed_text = PChunker.parse(pos_tag(word_tokenize(text)))
    for p2p in traverse_tree(parsed_text, 'P2P'):
        # Check if the subtree ends with "earlier".
        if p2p.leaves()[-1] ==  ('earlier', 'RBR'):
            # Check if which percentage is larger. 
            percentages = [float(num[0]) for num in  p2p.leaves() if num[1] == 'CD']
            # Sanity check that there's only 2 numbers from our pattern.
            assert len(percentages) == 2
            if percentages[0] > percentages[1]:
                return 'DOWN'
            else:
                return 'UP'

text = "Operating profit margin was 8.3%, compared to 11.8% a year earlier."

labelme(text)

现在问题来了.

**您是否想编写这么多规则，并使用上面的labelme()来捕获它们？**

你写的模式是不是万无一失？

例如，会不会出现这样的情况:使用指示器比较百分比的模式和“较早”不会像预期的那样“向上”或“向下”

为什么我们要在AI时代编写规则？

你是否已经有了带有句子和相应的向上/向下标签的人工注释数据？如果有，让我推荐https://allennlp.org/tutorials或https://github.com/huggingface/transformers/blob/master/notebooks/03-pipelines.ipynb之类的东西