nltk不正确地分析括号

Question

我正在标记文本以搜索名词和形容词：

text = u"""Developed at the Vaccine and Gene Therapy Institute at the Oregon Health and Science University (OHSU), the vaccine proved successful in about fifty percent of the subjects tested and could lead to a human vaccine preventing the onset of HIV/AIDS and even cure patients currently on anti-retroviral drugs."""
nltk.pos_tag(nltk.word_tokenize(text))

这导致：

(“已开发”、“NNP”)、(“at”、“IN”)、(“the”、“DT”)、(“疫苗”、“NNP”)、(“and”、“CC”)、(“基因”、“NNP”)、(“治疗”、“NNP”)、(“研究所”、“NNP”)、(“at”、“IN”)、(“the”、“DT”)、(“the”、“DT”)、(俄勒冈)‘NNP '，('Health'，'NNP')，('and'，'CC')，('Science'，'NNP')，(’大学'，'NNP')，(‘’，'NNP')，('OHSU'，'NNP')，(‘')，’NNP‘，’NNP‘，('，’)，('the'，'DT')，(‘the’，‘DT’)，(“疫苗”、“NN”)、(“证明”、“VBD”)、(“成功”、“JJ”)、(“IN”、“IN”)、(“约”、“IN”)、(“50”、“JJ”)、(“百分比”、“NN”)、(“of”、“IN”、“IN”、“the”、“DT”、(“受试者”、“NNS”)、(“测试”)、'VBG')，('and'，'CC')，(‘能’，'MD')，(‘铅’，'VB')，('to'，'TO')，('a'，'DT')，(‘人’，'NN')，(‘疫苗’，'NN')，(‘预防’，‘VBG’)，('the'，'DT')，(‘开始’，'NN')，('of'，'IN')，('HIV/AIDS'，'NNS')，('and'，'CC')，(‘偶数’，'RB')，(‘疗法’，'NN')，(‘病人’，'NNS')，(‘当前’，'RB')，('on'，'IN')，(‘抗逆转录病毒’，'JJ')，(‘药物’，'NNS')，(“.”，“.”)

在标注句子时是否有一种正确检测括号的方法？

Answer 1

如果您知道要返回什么作为父母的标记值，那么您可以使用RegexpTagger来匹配父母，并返回到所有其他的首选标签。

import nltk
from nltk.data import load
_POS_TAGGER = 'taggers/maxent_treebank_pos_tagger/english.pickle'
tagger = load(_POS_TAGGER)  # same tagger as using nltk.pos_tag

regexp_tagger = nltk.tag.RegexpTagger([(r'\(|\)', '--')], backoff = tagger)

regexp_tagger.tag(nltk.word_tokenize(text))

结果：

(U‘’Developed‘，'NNP')，(u’‘at’，'IN')，(u‘’the‘，'DT')，(u’疫苗‘，'NNP')，(u’‘and’，'CC')，(u‘’Gene‘，'NNP')，(u’治疗‘，'NNP')，(u’‘Institute’，'NNP')，(u‘’at‘，'IN')，(u’‘，'DT')，(u’‘，’DT‘)，(U‘俄勒冈“，'NNP')，(u’健康'，'NNP')，(u‘和'，'CC')，(u’科学‘，'NNP')，(u’大学‘，'NNP')，(u'，’‘- ')，(u’‘OHSU’，'NNP')，(u‘u’)‘，’‘-’)，(u‘’，‘’，‘’)，(u‘’，‘’，‘’)，(u‘，’‘，'DT')，(u‘约’，'IN')，(u‘约’，'IN')，(u‘50’，'JJ')，(u‘%’，'NN')，(u‘’of‘，'IN')，(u’‘of’，'DT')，(u‘’of‘，’DT‘)，(U‘’subjects‘，'NNS')，(u'to'，'VBD')，(u’和‘，CC’)，(u‘’and‘，'MD')，(u’铅‘，'VB')，(u’TO‘，'TO')，(u’，'DT')，(u‘人’，'NN')，(u‘疫苗’，'NN')，(u‘预防’)，‘'VBG')，(u’‘the’，'DT')，(u‘起始’，'NN')，(u‘’of‘，'IN')，(u’‘HIV/AIDS’，'NNS')，(u‘’and‘，'CC')，(u’‘even’，'RB')，(u‘’cure‘，'NN')，(u’病人‘，'NNS')，(u’当前‘，'RB')，(U‘IN’，'IN')，(u‘抗逆转录病毒’，'JJ')，(u‘药物’，'NNS')，(u‘，’))