标记的nltk.corpus.nps_chat.xml_post

Question

大家好，我是nps_chat语料库的工作人员。

我知道我可以像下面这样访问nps聊天语料库

posts = nltk.corpus.nps_chat.xml_posts()

我准备了Labeled_names列表，如下所示

Labeled_names=[(post.text,post.get('class')) for post in posts]

我的粉丝是这样的，

>>> Labeled_names[:10]
[('now im left with this gay name', 'Statement'), (':P', 'Emotion'), ('PART', 'System'), ('hey everyone  ', 'Greet'), ('ah well', 'Statement'), ('NICK :10-19-20sUser7', 'System'), ('10-19-20sUser7 is a gay name.', 'Accept'), ('.ACTION gives 10-19-20sUser121 a golf clap.', 'System'), (':)', 'Emotion'), ('JOIN', 'System')]

我需要知道的是，除了文本之外，有没有一种方法可以使用nltk.corpus.nps_chat.xml_post获取标记文本？

Answer 1

XML并没有提供一种同时查看POS元数据和post元数据的简单方法，但是导航xml_posts()返回的nps_chat元素并获取这些信息只是一个简单的方法。下面是一个小演示：

from nltk.corpus import nps_chat

for p in nps_chat.xml_posts()[3:5]:
    print(p.get("class"), p.get("user"))
    print(p.text)
    tagged_words = list((t.get("word"), t.get("pos")) for t in p[0]) # <-- here it is
    print(tagged_words)
    print()

输出：

Greet 10-19-20sUser59
hey everyone  
[('hey', 'UH'), ('everyone', 'NN')]

Statement 10-19-20sUser115
ah well
[('ah', 'UH'), ('well', 'UH')]

每个xml_post都有一个惟一的元素terminals，其中包含一系列元素t，每个元素都有word和pos属性。完整路径：Session/Posts/Post/terminals/t。因此，terminals元素是p[0]，我们遍历它的子元素以获得它们的单词和POS子标签。