Stanford NLP มีการสาธิตที่นี่ให้ผลลัพธ์ดังนี้:

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

แท็กส่วนหนึ่งของคำพูดหมายถึงอะไร ฉันไม่พบรายชื่ออย่างเป็นทางการ มันเป็นระบบของสแตนฟอร์ดหรือว่าพวกเขาใช้แท็กสากล? ( JJตัวอย่างเช่นคืออะไร)

นอกจากนี้เมื่อฉันวนซ้ำประโยคมองหาคำนามฉันจบลงด้วยการทำสิ่งที่ต้องการตรวจสอบเพื่อดูว่าแท็ก.contains('N')หรือไม่ มันรู้สึกอ่อนแอ มีวิธีที่ดีกว่าในการค้นหาคำพูดบางส่วนโดยทางโปรแกรมหรือไม่?

โครงการเพนน์ Treebank ดูps การแท็กบางส่วนของคำพูด

JJ เป็นคำคุณศัพท์ NNS เป็นคำนามพหูพจน์ VBP เป็นคำกริยาในปัจจุบัน RB คือคำวิเศษณ์

นั่นสำหรับภาษาอังกฤษ สำหรับคนจีนมันเป็นธนาคารจีนเพนน์ และสำหรับชาวเยอรมันมันเป็น NEGRA คลังข้อมูล

1. CC การประสานงานร่วม
2. หมายเลขซีดี
3. ตัวกำหนด DT
4. EX มีอยู่จริง
5. FW คำต่างประเทศ
6. ในคำบุพบทหรือข้อต่อรอง
7. คำคุณศัพท์ JJ
8. คำคุณศัพท์ JJR เปรียบเทียบ
9. คำคุณศัพท์ JJS สุดยอด
10. เครื่องหมายรายการรายการ LS
11. MD Modal
12. นามนนามเอกพจน์หรือมวล
13. คำนามพหูพจน์
14. NNP คำนามที่เหมาะสมเอกพจน์
15. NNPS คำนามที่เหมาะสมพหูพจน์
16. PDT Predeterminer
17. POS สิ้นสุดการเป็นเจ้าของ
18. PRP สรรพนามบุคคล
19. PRP $ สรรพนามผู้ครอบครอง
20. RB คำวิเศษณ์
21. คำวิเศษณ์ RBR เปรียบเทียบ
22. RBS Adverb สุดยอด
23. RP อนุภาค
24. สัญลักษณ์ SYM
25. ไปยัง
26. คำอุทาน UH
27. VB Verb รูปแบบพื้นฐาน
28. VBD กริยากาลที่ผ่านมา
29. VBG Verb, gerund หรือคำนามปัจจุบัน
30. VBN กริยากริยาที่ผ่านมา
31. VBP Verb, บุคคลที่ไม่ใช่คนที่ 3 เอกพจน์ปัจจุบัน
32. VBZ กริยาบุคคลที่ 3 เอกพจน์ปัจจุบัน
33. WDT Whdeterminer
34. WP Whpronoun
35. WP $ ผู้มีสิทธิ์เป็นเจ้าของ
36. WRB Whadverb

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

คำตอบที่ยอมรับด้านบนไม่มีข้อมูลต่อไปนี้:

นอกจากนี้ยังมีการกำหนดเครื่องหมายวรรคตอน 9 แท็ก (ซึ่งไม่มีอยู่ในรายการอ้างอิงบางรายการดูที่นี่ ) เหล่านี้คือ:

1. #
2. $
3. '' (ใช้สำหรับใบเสนอราคาปิดทุกรูปแบบ)
4. ((ใช้สำหรับวงเล็บเปิดทุกรูปแบบ)
5. ) (ใช้สำหรับวงเล็บปิดทุกรูปแบบ)
6. ,
7. . (ใช้สำหรับเครื่องหมายวรรคตอนสิ้นสุดประโยคทั้งหมด)
8. : (ใช้สำหรับ colons เซมิโคลอนและจุดไข่ปลา)
9. `` (ใช้สำหรับการอ้างอิงทุกรูปแบบ)

นี่คือรายการที่สมบูรณ์ของแท็กสำหรับPenn Treebank (โพสต์ที่นี่เพื่อความสมบูรณ์):

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

นอกจากนี้ยังมีแท็กสำหรับระดับคำสั่งและวลี

ระดับข้อ

- S
- SBAR
- SBARQ
- SINV
- SQ

ระดับวลี

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

(คำอธิบายในลิงค์)

ในกรณีที่คุณต้องการรหัสมัน ...

/**
 * 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 + "'." );
  }
}

ฉันกำลังให้รายชื่อทั้งหมดที่นี่และยังให้ลิงค์อ้างอิง

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

คุณสามารถหารายชื่อทั้งหมดของส่วนของการพูดแท็กที่นี่

เกี่ยวกับคำถามที่สองของคุณในการค้นหา POS เฉพาะ (เช่นคำนาม) ที่ติดแท็กคำ / ชิ้นนี่คือตัวอย่างรหัสที่คุณสามารถติดตามได้

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);
}

ผลลัพธ์คือ:

Input: Colorless green ideas sleep furiously.
Output: [ideas]

พวกเขาดูเหมือนจะเป็นแท็บราวน์คอร์ปัส

Stanford CoreNLP แท็กสำหรับภาษาอื่น ๆ : ฝรั่งเศส, สเปน, เยอรมัน ...

ฉันเห็นคุณใช้ parser สำหรับภาษาอังกฤษซึ่งเป็นรูปแบบเริ่มต้น คุณสามารถใช้เครื่องมือแยกวิเคราะห์สำหรับภาษาอื่น ๆ (ฝรั่งเศส, สเปน, เยอรมัน ... ) และโปรดทราบว่าทั้งโทเค็นและส่วนหนึ่งของเครื่องมือแท็กคำพูดจะแตกต่างกันสำหรับแต่ละภาษา หากคุณต้องการทำเช่นนั้นคุณต้องดาวน์โหลดรุ่นเฉพาะสำหรับภาษา (โดยใช้ตัวสร้างเช่น Maven) จากนั้นตั้งค่ารุ่นที่คุณต้องการใช้ ที่นี่คุณมีข้อมูลเพิ่มเติมเกี่ยวกับสิ่งนั้น

นี่คือรายการของแท็กสำหรับภาษาต่างๆ:

1. Stanford CoreNLP POS Tags สำหรับภาษาสเปน
2. สแตนฟอร์ด CoreNLP POS Tagger สำหรับเยอรมันใช้ชุดแท็ก Stuttgart-Tübingen (STTS)
3. ตัวสร้างแท็ก POS ของ Stanford CoreNLP สำหรับภาษาฝรั่งเศสใช้แท็กต่อไปนี้:

แท็กสำหรับคนฝรั่งเศส:

ส่วนหนึ่งของแท็กคำพูดสำหรับภาษาฝรั่งเศส

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)

หมวดหมู่ Phrasal แท็กสำหรับภาษาฝรั่งเศส:

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)

ฟังก์ชันทางไวยากรณ์สำหรับภาษาฝรั่งเศส:

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)

ผมคิดว่าเร็วมากในโน๊ตบุ๊คระดับล่างมันจะทำงานได้ดังนี้:

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")

ผลลัพธ์ในการทดลองหลายครั้ง:

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

ดังนั้นฉันคิดว่าคุณไม่ต้องกังวลกับการวนลูปสำหรับการตรวจสอบแท็ก POS แต่ละครั้ง :)

ฉันได้รับการปรับปรุงมากขึ้นเมื่อปิดการใช้งานไพพ์ไลน์บางอย่าง:

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

ดังนั้นผลลัพธ์จะเร็วขึ้น:

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