python - NLTK WordNet Lemmatizer - 如何删除未知单词？

Question

我正在尝试在推文上使用 NLTK WordNet Lemmatizer。

我想删除在 WordNet 中找不到的所有单词(twitter 句柄等)，但 WordNetLemmatizer.lemmatize() 没有反馈。如果找不到该单词，它只会原封不动地返回该单词。

有没有办法检查 WordNet 中是否找到某个单词？

或者有没有更好的方法从字符串中删除除“正确的英语单词”之外的任何内容？

Answer 1

您可以使用wordnet.synsets(token)进行检查。请务必处理标点符号，然后检查它是否在列表中。这是一个例子:

from nltk.tokenize import WordPunctTokenizer
from nltk.corpus import wordnet

my_list_of_strings = []  # populate list before using

wpt = WordPunctTokenizer()
only_recognized_words = []

for s in my_list_of_strings:
    tokens = wpt.tokenize(s)
    if tokens:  # check if empty string
        for t in tokens:
            if wordnet.synsets(t):
                only_recognized_words.append(t)  # only keep recognized words

但是您确实应该创建一些自定义逻辑来处理 Twitter 数据，特别是处理哈希标签、@replies、用户名、链接、转发等。有很多论文提供了可供收集的策略。