Лемматизатор требует, чтобы правильный тег POS был точным, если вы используете настройки по умолчанию WordNetLemmatizer.lemmatize()
, тег по умолчанию — существительное, см. https://github.com/nltk/nltk/blob/develop/nltk/stem/wordnet.py#L39
Чтобы решить эту проблему, всегда добавляйте POS-теги к своим данным перед лемматизацией, например.
>>> from nltk.stem import WordNetLemmatizer
>>> from nltk import pos_tag, word_tokenize
>>> wnl = WordNetLemmatizer()
>>> sent = 'This is a foo bar sentence'
>>> pos_tag(word_tokenize(sent))
[('This', 'DT'), ('is', 'VBZ'), ('a', 'DT'), ('foo', 'NN'), ('bar', 'NN'), ('sentence', 'NN')]
>>> for word, tag in pos_tag(word_tokenize(sent)):
... wntag = tag[0].lower()
... wntag = wntag if wntag in ['a', 'r', 'n', 'v'] else None
... if not wntag:
... lemma = word
... else:
... lemma = wnl.lemmatize(word, wntag)
... print lemma
...
This
be
a
foo
bar
sentence
Обратите внимание, что «есть -> быть», т.е.
>>> wnl.lemmatize('is')
'is'
>>> wnl.lemmatize('is', 'v')
u'be'
Чтобы ответить на вопрос словами из ваших примеров:
>>> sent = 'These sentences involves some horsing around'
>>> for word, tag in pos_tag(word_tokenize(sent)):
... wntag = tag[0].lower()
... wntag = wntag if wntag in ['a', 'r', 'n', 'v'] else None
... lemma = wnl.lemmatize(word, wntag) if wntag else word
... print lemma
...
These
sentence
involve
some
horse
around
Обратите внимание, что с WordNetLemmatizer есть некоторые особенности:
Кроме того, POS-тегер NLTK по умолчанию претерпевает серьезные изменения для повышения точности:
Готовое решение для лемматизатора можно найти на https://github.com/alvations/pywsd и то, как я сделал несколько try-exceptions для перехвата слов, которых нет в WordNet, см. https://github.com/alvations/pywsd/blob/master/pywsd/utils.py#L66
person
alvas
schedule
06.10.2015