python - NLTK 可以识别首字母后跟点吗？

Question

我正在尝试使用 NLTK 来解析俄语文本，但它不适用于 А 等缩写和首字母。 И. Манташева 和Я。 Вышинский.

相反，它像下面这样中断:

организовывал забастовки и демонстрации, поднимал рабочих на бакинских предприятиях А.

И.

Манташева.

当我使用来自 https://github.com/mhq/train_punkt 的 russian.pickle 时，它做了同样的事情,
这是一般的 NLTK 限制还是特定于语言的限制？

Answer 1

正如一些评论所暗示的，您想要使用的是 Punkt 句子分段器/分词器。

NLTK 还是特定语言？

都没有。正如您已经意识到的，您不能简单地拆分每个周期。 NLTK 附带了几个受过不同语言训练的 Punkt 分段器。但是，如果您遇到问题，最好的办法是使用更大的训练语料库供 Punkt 分词器学习。

文档链接

• https://nltk.googlecode.com/svn/trunk/doc/howto/tokenize.html
• https://nltk.googlecode.com/svn/trunk/doc/api/nltk.tokenize.punkt.PunktSentenceTokenizer-class.html

实现示例

下面是为您指明正确方向的部分代码。您应该能够通过提供俄语文本文件为自己做同样的事情。一个来源可能是 Russian version的 Wikipedia database dump ，但我将其作为潜在的次要问题留给您。

import logging
try:
    import cPickle as pickle
except ImportError:
    import pickle
import nltk


def create_punkt_sent_detector(fnames, punkt_fname, progress_count=None):
    """Makes a pass through the corpus to train a Punkt sentence segmenter.

    Args:
        fname: List of filenames to be used for training.
        punkt_fname: Filename to save the trained Punkt sentence segmenter.
        progress_count: Display a progress count every integer number of pages.
    """
    logger = logging.getLogger('create_punkt_sent_detector')

    punkt = nltk.tokenize.punkt.PunktTrainer()

    logger.info("Training punkt sentence detector")

    doc_count = 0
    try:
        for fname in fnames:
            with open(fname, mode='rb') as f:
                punkt.train(f.read(), finalize=False, verbose=False)
                doc_count += 1
                if progress_count and doc_count % progress_count == 0:
                    logger.debug('Pages processed: %i', doc_count)
    except KeyboardInterrupt:
        print 'KeyboardInterrupt: Stopping the reading of the dump early!'

    logger.info('Now finalzing Punkt training.')

    punkt.finalize_training(verbose=True)
    learned = punkt.get_params()
    sbd = nltk.tokenize.punkt.PunktSentenceTokenizer(learned)
    with open(punkt_fname, mode='wb') as f:
        pickle.dump(sbd, f, protocol=pickle.HIGHEST_PROTOCOL)

    return sbd


if __name__ == 'main':
    punkt_fname = 'punkt_russian.pickle'
    try:
        with open(punkt_fname, mode='rb') as f:
            sent_detector = pickle.load(f)
    except (IOError, pickle.UnpicklingError):
        sent_detector = None

    if sent_detector is None:
        corpora = ['russian-1.txt', 'russian-2.txt']
        sent_detector = create_punkt_sent_detector(fnames=corpora,
                                                   punkt_fname=punkt_fname)

    tokenized_text = sent_detector.tokenize("some russian text.",
                                            realign_boundaries=True)
    print '\n'.join(tokenized_text)