python - 从自定义转储创建供 Webnet 使用的信息内容语料库

Question

我正在使用 Brown 语料库 ic-brown.dat 使用 wordnet nltk 库计算单词的信息内容。但结果并不好看。我想知道如何构建自己的custome.dat(信息内容文件)。

custom_ic = wordnet_ic.ic('custom.dat')

Answer 1

在(...)/nltk_data/corpora/wordnet_ic/中，您会发现IC-compute.sh，其中包含对一些Perl脚本的调用以生成IC来自给定语料库的 dat 文件。我发现这些指令很棘手，而且我没有所需的 Perl 脚本，所以我决定通过分析 dat 文件结构和 wordnet.ic() 函数来创建一个 python 脚本。

您可以通过对语料库阅读器对象调用 wordnet.ic() 函数来计算您自己的 IC 计数。事实上，您只需要一个带有 word() 函数的对象，该函数返回语料库中的所有单词。有关更多详细信息，请检查文件 ..../nltk/corpus/reader/wordnet.py 中的 ic 函数(第 1729 至 1789 行)。

例如，对于 BNC 语料库 (2007) 的 XML 版本:

reader_bnc = nltk.corpus.reader.BNCCorpusReader(root='../Corpus/2554/2554/download/Texts/', fileids=r'[A-K]/\w*/\w*\.xml')
bnc_ic = wn.ic(reader_bnc, False, 0.0)

为了生成 .dat 文件，我创建了以下函数:

def is_root(synset_x):
    if synset_x.root_hypernyms()[0] == synset_x:
        return True
    return False

def generate_ic_file(IC, output_filename):
    """Dump in output_filename the IC counts.
    The expected format of IC is a dict 
    {'v':defaultdict, 'n':defaultdict, 'a':defaultdict, 'r':defaultdict}"""
    with codecs.open(output_filename, 'w', encoding='utf-8') as fid:
        # Hash code of WordNet 3.0
        fid.write("wnver::eOS9lXC6GvMWznF1wkZofDdtbBU"+"\n")

        # We only stored nouns and verbs because those are the only POS tags
        # supported by wordnet.ic() function
        for tag_type in ['v', 'n']:#IC:
            for key, value in IC[tag_type].items():
                if key != 0:
                    synset_x = wn.of2ss(of="{:08d}".format(key)+tag_type)
                    if is_root(synset_x):
                        fid.write(str(key)+tag_type+" "+str(value)+" ROOT\n")
                    else:
                        fid.write(str(key)+tag_type+" "+str(value)+"\n")
    print("Done")

generate_ic_file(bnc_ic, "../custom.dat")

然后，只需调用该函数即可:

custom_ic = wordnet_ic.ic('../custom.dat')

所需的导入是:

import nltk
from nltk.corpus import wordnet as wn
from nltk.corpus import wordnet_ic
import codecs