Java Stanford NLP: Teil von Sprachbezeichnungen?

172

Die Stanford NLP, demo'd hier , gibt einen Ausgang wie folgt aus :

Colorless/JJ green/JJ ideas/NNS sleep/VBP furiously/RB ./.

Was bedeuten die Part of Speech-Tags? Ich kann keine offizielle Liste finden. Ist es Stanfords eigenes System oder verwenden sie universelle Tags? (Was ist JJzum Beispiel?)

Wenn ich zum Beispiel die Sätze durchlaufe und nach Substantiven suche, überprüfe ich am Ende, ob das Tag vorhanden ist .contains('N'). Das fühlt sich ziemlich schwach an. Gibt es eine bessere Möglichkeit, programmgesteuert nach einem bestimmten Teil der Sprache zu suchen?

Nick Heiner
quelle
Dies kann ein Nitpick sein, aber Sie sollten .starts_with('N')eher als verwenden contains, da 'IN' und 'VBN' auch 'N' enthalten. Und das ist wahrscheinlich der beste Weg, um herauszufinden, welche Wörter der Tagger für Substantive hält.
Joseph

Antworten:

276

Das Penn Treebank Projekt . Schauen Sie sich die Teil-der-Sprache-Kennzeichnung ps an.

JJ ist ein Adjektiv. NNS ist Substantiv, Plural. VBP ist Verb Präsens. RB ist Adverb.

Das ist für Englisch. Für Chinesen ist es die Penn Chinese Treebank. Und für Deutsch ist es das NEGRA-Korpus.

  1. CC Koordinationsverbindung
  2. CD Kardinalnummer
  3. DT Determiner
  4. EX Existenziell dort
  5. FW Fremdwort
  6. IN Präposition oder untergeordnete Konjunktion
  7. JJ Adjektiv
  8. JJR Adjektiv, vergleichend
  9. JJS Adjektiv, Superlativ
  10. LS Listenelementmarkierung
  11. MD Modal
  12. NN Nomen, Singular oder Masse
  13. NNS Nomen, Plural
  14. NNP Eigenname, Singular
  15. NNPS Eigenname, Plural
  16. PDT Predeterminer
  17. POS Possessives Ende
  18. PRP Personalpronomen
  19. PRP $ Possessivpronomen
  20. RB Adverb
  21. RBR Adverb, vergleichend
  22. RBS Adverb, Superlativ
  23. RP-Partikel
  24. SYM-Symbol
  25. ZU zu
  26. UH Interjektion
  27. VB Verb, Grundform
  28. VBD Verb, Vergangenheitsform
  29. VBG Verb, Gerundium oder Partizip Präsens
  30. VBN Verb, Partizip Perfekt
  31. VBP Verb, nicht 3. Person Singular anwesend
  32. VBZ Verb, 3. Person Singular vorhanden
  33. WDT Whdeterminer
  34. WP Whpronoun
  35. WP $ Possessives Whpronomen
  36. WRB Whadverb
anno
quelle
Mein Vorschlag einer Bearbeitung zur Behebung eines Mangels an dieser Antwort wurde abgelehnt. Bitte lesen Sie daher auch meine unten stehende Antwort, die einige Informationen enthält, die in dieser Antwort fehlen.
Jules
3
Was genau ist der 10. LS?
Devavrata
3
"to" muss etwas Besonderes sein. bekam seinen eigenen Tag
quemeful
4
Ein wirklich guter Hinweis darauf ist Erwin R. Komens Liste und Erklärung von Teilen von Sprach-Tags . Interessant könnten auch Komens Research in English und Komens Homepage erwinkomen.ruhosting.nl
CoolHandLouis
1
Sind die in Stanford POS Tagger und Penn Tree Bank verwendeten Tags gleich?
gokul_uf
113
Explanation of each tag from the documentation :

CC: conjunction, coordinating
    & 'n and both but either et for less minus neither nor or plus so
    therefore times v. versus vs. whether yet
CD: numeral, cardinal
    mid-1890 nine-thirty forty-two one-tenth ten million 0.5 one forty-
    seven 1987 twenty '79 zero two 78-degrees eighty-four IX '60s .025
    fifteen 271,124 dozen quintillion DM2,000 ...
DT: determiner
    all an another any both del each either every half la many much nary
    neither no some such that the them these this those
EX: existential there
    there
FW: foreign word
    gemeinschaft hund ich jeux habeas Haementeria Herr K'ang-si vous
    lutihaw alai je jour objets salutaris fille quibusdam pas trop Monte
    terram fiche oui corporis ...
IN: preposition or conjunction, subordinating
    astride among uppon whether out inside pro despite on by throughout
    below within for towards near behind atop around if like until below
    next into if beside ...
JJ: adjective or numeral, ordinal
    third ill-mannered pre-war regrettable oiled calamitous first separable
    ectoplasmic battery-powered participatory fourth still-to-be-named
    multilingual multi-disciplinary ...
JJR: adjective, comparative
    bleaker braver breezier briefer brighter brisker broader bumper busier
    calmer cheaper choosier cleaner clearer closer colder commoner costlier
    cozier creamier crunchier cuter ...
JJS: adjective, superlative
    calmest cheapest choicest classiest cleanest clearest closest commonest
    corniest costliest crassest creepiest crudest cutest darkest deadliest
    dearest deepest densest dinkiest ...
LS: list item marker
    A A. B B. C C. D E F First G H I J K One SP-44001 SP-44002 SP-44005
    SP-44007 Second Third Three Two * a b c d first five four one six three
    two
MD: modal auxiliary
    can cannot could couldn't dare may might must need ought shall should
    shouldn't will would
NN: noun, common, singular or mass
    common-carrier cabbage knuckle-duster Casino afghan shed thermostat
    investment slide humour falloff slick wind hyena override subhumanity
    machinist ...
NNS: noun, common, plural
    undergraduates scotches bric-a-brac products bodyguards facets coasts
    divestitures storehouses designs clubs fragrances averages
    subjectivists apprehensions muses factory-jobs ...
NNP: noun, proper, singular
    Motown Venneboerger Czestochwa Ranzer Conchita Trumplane Christos
    Oceanside Escobar Kreisler Sawyer Cougar Yvette Ervin ODI Darryl CTCA
    Shannon A.K.C. Meltex Liverpool ...
NNPS: noun, proper, plural
    Americans Americas Amharas Amityvilles Amusements Anarcho-Syndicalists
    Andalusians Andes Andruses Angels Animals Anthony Antilles Antiques
    Apache Apaches Apocrypha ...
PDT: pre-determiner
    all both half many quite such sure this
POS: genitive marker
    ' 's
PRP: pronoun, personal
    hers herself him himself hisself it itself me myself one oneself ours
    ourselves ownself self she thee theirs them themselves they thou thy us
PRP$: pronoun, possessive
    her his mine my our ours their thy your
RB: adverb
    occasionally unabatingly maddeningly adventurously professedly
    stirringly prominently technologically magisterially predominately
    swiftly fiscally pitilessly ...
RBR: adverb, comparative
    further gloomier grander graver greater grimmer harder harsher
    healthier heavier higher however larger later leaner lengthier less-
    perfectly lesser lonelier longer louder lower more ...
RBS: adverb, superlative
    best biggest bluntest earliest farthest first furthest hardest
    heartiest highest largest least less most nearest second tightest worst
RP: particle
    aboard about across along apart around aside at away back before behind
    by crop down ever fast for forth from go high i.e. in into just later
    low more off on open out over per pie raising start teeth that through
    under unto up up-pp upon whole with you
SYM: symbol
    % & ' '' ''. ) ). * + ,. < = > @ A[fj] U.S U.S.S.R * ** ***
TO: "to" as preposition or infinitive marker
    to
UH: interjection
    Goodbye Goody Gosh Wow Jeepers Jee-sus Hubba Hey Kee-reist Oops amen
    huh howdy uh dammit whammo shucks heck anyways whodunnit honey golly
    man baby diddle hush sonuvabitch ...
VB: verb, base form
    ask assemble assess assign assume atone attention avoid bake balkanize
    bank begin behold believe bend benefit bevel beware bless boil bomb
    boost brace break bring broil brush build ...
VBD: verb, past tense
    dipped pleaded swiped regummed soaked tidied convened halted registered
    cushioned exacted snubbed strode aimed adopted belied figgered
    speculated wore appreciated contemplated ...
VBG: verb, present participle or gerund
    telegraphing stirring focusing angering judging stalling lactating
    hankerin' alleging veering capping approaching traveling besieging
    encrypting interrupting erasing wincing ...
VBN: verb, past participle
    multihulled dilapidated aerosolized chaired languished panelized used
    experimented flourished imitated reunifed factored condensed sheared
    unsettled primed dubbed desired ...
VBP: verb, present tense, not 3rd person singular
    predominate wrap resort sue twist spill cure lengthen brush terminate
    appear tend stray glisten obtain comprise detest tease attract
    emphasize mold postpone sever return wag ...
VBZ: verb, present tense, 3rd person singular
    bases reconstructs marks mixes displeases seals carps weaves snatches
    slumps stretches authorizes smolders pictures emerges stockpiles
    seduces fizzes uses bolsters slaps speaks pleads ...
WDT: WH-determiner
    that what whatever which whichever
WP: WH-pronoun
    that what whatever whatsoever which who whom whosoever
WP$: WH-pronoun, possessive
    whose
WRB: Wh-adverb
    how however whence whenever where whereby whereever wherein whereof why
Vaichidrewar
quelle
2
Kannst du bitte die Quelle zitieren?
David Portabella
Was ist mit den Interpunktionen? Zum Beispiel erhält ein ',' Token den PoS ','. Gibt es eine Liste mit diesen PoS?
David Portabella
Was ist mit dem PoS "-LRB-" für das '(' Token?
David Portabella
34

In der oben akzeptierten Antwort fehlen die folgenden Informationen:

Es sind auch 9 Interpunktions-Tags definiert (die in einigen Referenzen nicht aufgeführt sind, siehe hier ). Diese sind:

  1. #
  2. $
  3. '' (wird für alle Formen des Schlusszitats verwendet)
  4. ((wird für alle Formen der öffnenden Klammer verwendet)
  5. ) (wird für alle Formen der schließenden Klammer verwendet)
  6. ,
  7. . (wird für alle Satzzeichen verwendet)
  8. : (wird für Doppelpunkte, Semikolons und Ellipsen verwendet)
  9. `` (wird für alle Formen des Eröffnungszitats verwendet)
Jules
quelle
17

Hier ist eine vollständigere Liste von Tags für die Penn Treebank (der Vollständigkeit halber hier veröffentlicht):

http://www.surdeanu.info/mihai/teaching/ista555-fall13/readings/PennTreebankConstituents.html

Es enthält auch Tags für Klausel- und Phrasenebenen.

Klauselebene

- S
- SBAR
- SBARQ
- SINV
- SQ

Phrasenebene

- ADJP
- ADVP
- CONJP
- FRAG
- INTJ
- LST
- NAC
- NP
- NX
- PP
- PRN
- PRT
- QP
- RRC
- UCP
- VP
- WHADJP
- WHAVP
- WHNP
- WHPP
- X

(Beschreibungen im Link)

Iulius Curt
quelle
2
Weißt du was? Dies ist die wahre Liste, die Menschen brauchen! Nicht nur die Penn Treebank POS-Tags, denn diese sind nur für Worte
Windweller
Könnten Sie die Beschreibungen neben den Abkürzungen hinzufügen?
Petrus Theron
12

Nur für den Fall, dass Sie es codieren wollten ...

/**
 * Represents the English parts-of-speech, encoded using the
 * de facto <a href="http://www.cis.upenn.edu/~treebank/">Penn Treebank
 * Project</a> standard.
 * 
 * @see <a href="ftp://ftp.cis.upenn.edu/pub/treebank/doc/tagguide.ps.gz">Penn Treebank Specification</a>
 */
public enum PartOfSpeech {
  ADJECTIVE( "JJ" ),
  ADJECTIVE_COMPARATIVE( ADJECTIVE + "R" ),
  ADJECTIVE_SUPERLATIVE( ADJECTIVE + "S" ),

  /* This category includes most words that end in -ly as well as degree
   * words like quite, too and very, posthead modi ers like enough and
   * indeed (as in good enough, very well indeed), and negative markers like
   * not, n't and never.
   */
  ADVERB( "RB" ),

  /* Adverbs with the comparative ending -er but without a strictly comparative
   * meaning, like <i>later</i> in <i>We can always come by later</i>, should
   * simply be tagged as RB.
   */
  ADVERB_COMPARATIVE( ADVERB + "R" ),
  ADVERB_SUPERLATIVE( ADVERB + "S" ),

  /* This category includes how, where, why, etc.
   */
  ADVERB_WH( "W" + ADVERB ),

  /* This category includes and, but, nor, or, yet (as in Y et it's cheap,
   * cheap yet good), as well as the mathematical operators plus, minus, less,
   * times (in the sense of "multiplied by") and over (in the sense of "divided
   * by"), when they are spelled out. <i>For</i> in the sense of "because" is
   * a coordinating conjunction (CC) rather than a subordinating conjunction.
   */
  CONJUNCTION_COORDINATING( "CC" ),
  CONJUNCTION_SUBORDINATING( "IN" ),
  CARDINAL_NUMBER( "CD" ),
  DETERMINER( "DT" ),

  /* This category includes which, as well as that when it is used as a
   * relative pronoun.
   */
  DETERMINER_WH( "W" + DETERMINER ),
  EXISTENTIAL_THERE( "EX" ),
  FOREIGN_WORD( "FW" ),

  LIST_ITEM_MARKER( "LS" ),

  NOUN( "NN" ),
  NOUN_PLURAL( NOUN + "S" ),
  NOUN_PROPER_SINGULAR( NOUN + "P" ),
  NOUN_PROPER_PLURAL( NOUN + "PS" ),

  PREDETERMINER( "PDT" ),
  POSSESSIVE_ENDING( "POS" ),

  PRONOUN_PERSONAL( "PRP" ),
  PRONOUN_POSSESSIVE( "PRP$" ),

  /* This category includes the wh-word whose.
   */
  PRONOUN_POSSESSIVE_WH( "WP$" ),

  /* This category includes what, who and whom.
   */
  PRONOUN_WH( "WP" ),

  PARTICLE( "RP" ),

  /* This tag should be used for mathematical, scientific and technical symbols
   * or expressions that aren't English words. It should not used for any and
   * all technical expressions. For instance, the names of chemicals, units of
   * measurements (including abbreviations thereof) and the like should be
   * tagged as nouns.
   */
  SYMBOL( "SYM" ),
  TO( "TO" ),

  /* This category includes my (as in M y, what a gorgeous day), oh, please,
   * see (as in See, it's like this), uh, well and yes, among others.
   */
  INTERJECTION( "UH" ),

  VERB( "VB" ),
  VERB_PAST_TENSE( VERB + "D" ),
  VERB_PARTICIPLE_PRESENT( VERB + "G" ),
  VERB_PARTICIPLE_PAST( VERB + "N" ),
  VERB_SINGULAR_PRESENT_NONTHIRD_PERSON( VERB + "P" ),
  VERB_SINGULAR_PRESENT_THIRD_PERSON( VERB + "Z" ),

  /* This category includes all verbs that don't take an -s ending in the
   * third person singular present: can, could, (dare), may, might, must,
   * ought, shall, should, will, would.
   */
  VERB_MODAL( "MD" ),

  /* Stanford.
   */
  SENTENCE_TERMINATOR( "." );

  private final String tag;

  private PartOfSpeech( String tag ) {
    this.tag = tag;
  }

  /**
   * Returns the encoding for this part-of-speech.
   * 
   * @return A string representing a Penn Treebank encoding for an English
   * part-of-speech.
   */
  public String toString() {
    return getTag();
  }

  protected String getTag() {
    return this.tag;
  }

  public static PartOfSpeech get( String value ) {
    for( PartOfSpeech v : values() ) {
      if( value.equals( v.getTag() ) ) {
        return v;
      }
    }

    throw new IllegalArgumentException( "Unknown part of speech: '" + value + "'." );
  }
}
Dave Jarvis
quelle
7

Ich stelle hier die gesamte Liste zur Verfügung und gebe auch einen Referenzlink an

1.  CC   Coordinating conjunction
2.  CD   Cardinal number
3.  DT   Determiner
4.  EX   Existential there
5.  FW   Foreign word
6.  IN   Preposition or subordinating conjunction
7.  JJ   Adjective
8.  JJR  Adjective, comparative
9.  JJS  Adjective, superlative
10. LS   List item marker
11. MD   Modal
12. NN   Noun, singular or mass
13. NNS  Noun, plural
14. NNP  Proper noun, singular
15. NNPS Proper noun, plural
16. PDT  Predeterminer
17. POS  Possessive ending
18. PRP  Personal pronoun
19. PRP$ Possessive pronoun
20. RB   Adverb
21. RBR  Adverb, comparative
22. RBS  Adverb, superlative
23. RP   Particle
24. SYM  Symbol
25. TO   to
26. UH   Interjection
27. VB   Verb, base form
28. VBD  Verb, past tense
29. VBG  Verb, gerund or present participle
30. VBN  Verb, past participle
31. VBP  Verb, non-3rd person singular present
32. VBZ  Verb, 3rd person singular present
33. WDT  Wh-determiner
34. WP   Wh-pronoun
35. WP$  Possessive wh-pronoun
36. WRB  Wh-adverb

Die gesamte Liste der Teile von Speech of Tags finden Sie hier .

Sri
quelle
4

In Bezug auf Ihre zweite Frage, ob Sie ein bestimmtes Wort / einen Block mit POS-Tags (z. B. Nomen) finden, finden Sie hier den Beispielcode, dem Sie folgen können.

public static void main(String[] args) {
    Properties properties = new Properties();
    properties.put("annotators", "tokenize, ssplit, pos, lemma, ner, parse");
    StanfordCoreNLP pipeline = new StanfordCoreNLP(properties);

    String input = "Colorless green ideas sleep furiously.";
    Annotation annotation = pipeline.process(input);
    List<CoreMap> sentences = annotation.get(CoreAnnotations.SentencesAnnotation.class);
    List<String> output = new ArrayList<>();
    String regex = "([{pos:/NN|NNS|NNP/}])"; //Noun
    for (CoreMap sentence : sentences) {
        List<CoreLabel> tokens = sentence.get(CoreAnnotations.TokensAnnotation.class);
        TokenSequencePattern pattern = TokenSequencePattern.compile(regex);
        TokenSequenceMatcher matcher = pattern.getMatcher(tokens);
        while (matcher.find()) {
            output.add(matcher.group());
        }
    }
    System.out.println("Input: "+input);
    System.out.println("Output: "+output);
}

Die Ausgabe ist:

Input: Colorless green ideas sleep furiously.
Output: [ideas]
Ashok Kumar Pant
quelle
2

Es scheinen Brown Corpus-Tags zu sein .

Jonathan Feinberg
quelle
14
Nein, es handelt sich um POS-Tags von Penn English Treebank, die eine Vereinfachung des Brown Corpus-Tag-Sets darstellen.
Christopher Manning
Bist du sicher? Das oben zitierte Beispiel enthält das Tag "." Dies ist im Brown Corpus definiert, wird aber nicht durch die Liste der Penn Treebank-Tags oben definiert. Daher scheint es ziemlich sicher zu sein, dass zumindest die Antwort nicht so einfach ist, da es sich nur um Penn Treebank-Tags handelt.
Jules
Nach zusätzlichen Recherchen scheint es sich um Penn Treebank-Tags zu handeln, die oben zitierte Dokumentation zu solchen Tags ist jedoch unvollständig: Penn Treebank-Tags enthalten auch 9 Satzzeichen-Tags, die in der akzeptierten Antwort nicht in der Liste enthalten sind. Siehe meine zusätzliche Antwort für weitere Details.
Jules
2

Stanford CoreNLP Tags für andere Sprachen: Französisch, Spanisch, Deutsch ...

Ich sehe, dass Sie den Parser für die englische Sprache verwenden, der das Standardmodell ist. Sie können den Parser auch für andere Sprachen (Französisch, Spanisch, Deutsch ...) verwenden. Beachten Sie, dass sowohl Tokenizer als auch Teile von Sprach-Taggern für jede Sprache unterschiedlich sind. Wenn Sie dies tun möchten, müssen Sie das spezifische Modell für die Sprache herunterladen (z. B. mit einem Builder wie Maven) und dann das Modell festlegen, das Sie verwenden möchten. Hier Sie weitere Informationen dazu.

Hier sind Listen von Tags für verschiedene Sprachen:

  1. Stanford CoreNLP POS Tags für Spanisch
  2. Stanford CoreNLP POS Tagger für Deutsch verwendet das Stuttgart-Tübingen Tag Set (STTS)
  3. Der Stanford CoreNLP POS-Tagger für Französisch verwendet die folgenden Tags:

TAGS FÜR FRANZÖSISCH:

Teil von Speech Tags für Französisch

A     (adjective)
Adv   (adverb)
CC    (coordinating conjunction)
Cl    (weak clitic pronoun)
CS    (subordinating conjunction)
D     (determiner)
ET    (foreign word)
I     (interjection)
NC    (common noun)
NP    (proper noun)
P     (preposition)
PREF  (prefix)
PRO   (strong pronoun)
V     (verb)
PONCT (punctuation mark)

Phrasal Categories Tags für Französisch:

AP     (adjectival phrases)
AdP    (adverbial phrases)
COORD  (coordinated phrases)
NP     (noun phrases)
PP     (prepositional phrases)
VN     (verbal nucleus)
VPinf  (infinitive clauses)
VPpart (nonfinite clauses)
SENT   (sentences)
Sint, Srel, Ssub (finite clauses)

Syntaktische Funktionen für Französisch:

SUJ    (subject)
OBJ    (direct object)
ATS    (predicative complement of a subject)
ATO    (predicative complement of a direct object)
MOD    (modifier or adjunct)
A-OBJ  (indirect complement introduced by à)
DE-OBJ (indirect complement introduced by de)
P-OBJ  (indirect complement introduced by another preposition)
Catalina Chircu
quelle
@AMArostegui: Danke für den Hinweis. Bitte teilen Sie einen Link mit, in dem ausdrücklich erwähnt wird, dass die universellen Abhängigkeiten für Spanisch verwendet werden. Der Link ist für die UD, aber es gibt keinen Hinweis darauf, dass sie tatsächlich für Spanisch in Stanfoird Core NLP verwendet werden, und die offizielle Dokumentation von Stanford erwähnt es auch nicht.
Catalina Chircu
0

In spacy war es sehr schnell, ich denke, in nur einem Low-End-Notebook wird es so laufen:

import spacy
import time

start = time.time()

with open('d:/dictionary/e-store.txt') as f:
    input = f.read()

word = 0
result = []

nlp = spacy.load("en_core_web_sm")
doc = nlp(input)

for token in doc:
    if token.pos_ == "NOUN":
        result.append(token.text)
    word += 1

elapsed = time.time() - start

print("From", word, "words, there is", len(result), "NOUN found in", elapsed, "seconds")

Die Ausgabe in mehreren Versuchen:

From 3547 words, there is 913 NOUN found in 7.768507719039917 seconds
From 3547 words, there is 913 NOUN found in 7.408619403839111 seconds
From 3547 words, there is 913 NOUN found in 7.431427955627441 seconds

Ich denke, Sie müssen sich nicht um die Schleife bei jeder POS-Tag-Prüfung kümmern :)

Weitere Verbesserungen, die ich erhalten habe, wenn bestimmte Pipelines deaktiviert wurden:

nlp = spacy.load("en_core_web_sm", disable = 'ner')

Das Ergebnis ist also schneller:

From 3547 words, there is 913 NOUN found in 6.212834596633911 seconds
From 3547 words, there is 913 NOUN found in 6.257707595825195 seconds
From 3547 words, there is 913 NOUN found in 6.371225833892822 seconds
Syauqi Haris
quelle