Python NLTK pos_tag ne retourne pas la bonne partie du discours de la balise

En bref:

NLTK n'est pas parfait. En fait, aucun modèle n'est parfait.

Remarque:

De NLTK version 3.1, par défaut pos_tag fonction n'est plus le vieux MaxEnt anglais cornichon.

Il est maintenant le perceptron tagger de @Honnibal de la mise en œuvre, voir nltk.la balise.pos_tag

>>> import inspect
>>> print inspect.getsource(pos_tag)
def pos_tag(tokens, tagset=None):
    tagger = PerceptronTagger()
    return _pos_tag(tokens, tagset, tagger) 

Encore c'est mieux, mais pas parfait:

>>> from nltk import pos_tag
>>> pos_tag("The quick brown fox jumps over the lazy dog".split())
[('The', 'DT'), ('quick', 'JJ'), ('brown', 'NN'), ('fox', 'NN'), ('jumps', 'VBZ'), ('over', 'IN'), ('the', 'DT'), ('lazy', 'JJ'), ('dog', 'NN')]

À un certain point, si quelqu'un veut TL;DR solutions, voir https://github.com/alvations/nltk_cli

---

À long:

Essayez d'utiliser d'autres tagger (voir https://github.com/nltk/nltk/tree/develop/nltk/tag) , par exemple:

• HunPos
• Stanford POS
• Senna

Par défaut à l'aide de MaxEnt POS tagger de NLTK, c'est à dire nltk.pos_tag:

>>> from nltk import word_tokenize, pos_tag
>>> text = "The quick brown fox jumps over the lazy dog"
>>> pos_tag(word_tokenize(text))
[('The', 'DT'), ('quick', 'NN'), ('brown', 'NN'), ('fox', 'NN'), ('jumps', 'NNS'), ('over', 'IN'), ('the', 'DT'), ('lazy', 'NN'), ('dog', 'NN')]

À l'aide de Stanford POS tagger:

$ cd ~
$ wget http://nlp.stanford.edu/software/stanford-postagger-2015-04-20.zip
$ unzip stanford-postagger-2015-04-20.zip
$ mv stanford-postagger-2015-04-20 stanford-postagger
$ python
>>> from os.path import expanduser
>>> home = expanduser("~")
>>> from nltk.tag.stanford import POSTagger
>>> _path_to_model = home + '/stanford-postagger/models/english-bidirectional-distsim.tagger'
>>> _path_to_jar = home + '/stanford-postagger/stanford-postagger.jar'
>>> st = POSTagger(path_to_model=_path_to_model, path_to_jar=_path_to_jar)
>>> text = "The quick brown fox jumps over the lazy dog"
>>> st.tag(text.split())
[(u'The', u'DT'), (u'quick', u'JJ'), (u'brown', u'JJ'), (u'fox', u'NN'), (u'jumps', u'VBZ'), (u'over', u'IN'), (u'the', u'DT'), (u'lazy', u'JJ'), (u'dog', u'NN')]

À l'aide de HunPOS (REMARQUE: le codage par défaut est ISO-8859-1 en utf-8):

$ cd ~
$ wget https://hunpos.googlecode.com/files/hunpos-1.0-linux.tgz
$ tar zxvf hunpos-1.0-linux.tgz
$ wget https://hunpos.googlecode.com/files/en_wsj.model.gz
$ gzip -d en_wsj.model.gz 
$ mv en_wsj.model hunpos-1.0-linux/
$ python
>>> from os.path import expanduser
>>> home = expanduser("~")
>>> from nltk.tag.hunpos import HunposTagger
>>> _path_to_bin = home + '/hunpos-1.0-linux/hunpos-tag'
>>> _path_to_model = home + '/hunpos-1.0-linux/en_wsj.model'
>>> ht = HunposTagger(path_to_model=_path_to_model, path_to_bin=_path_to_bin)
>>> text = "The quick brown fox jumps over the lazy dog"
>>> ht.tag(text.split())
[('The', 'DT'), ('quick', 'JJ'), ('brown', 'JJ'), ('fox', 'NN'), ('jumps', 'NNS'), ('over', 'IN'), ('the', 'DT'), ('lazy', 'JJ'), ('dog', 'NN')]

L'utilisation de Senna (assurez-vous que vous avez la dernière version de NLTK, il y avait quelques modifications apportées à l'API):

$ cd ~
$ wget http://ronan.collobert.com/senna/senna-v3.0.tgz
$ tar zxvf senna-v3.0.tgz
$ python
>>> from os.path import expanduser
>>> home = expanduser("~")
>>> from nltk.tag.senna import SennaTagger
>>> st = SennaTagger(home+'/senna')
>>> text = "The quick brown fox jumps over the lazy dog"
>>> st.tag(text.split())
[('The', u'DT'), ('quick', u'JJ'), ('brown', u'JJ'), ('fox', u'NN'), ('jumps', u'VBZ'), ('over', u'IN'), ('the', u'DT'), ('lazy', u'JJ'), ('dog', u'NN')]

---

Ou essayez de construire une meilleure POS tagger:

• Ngram Tagger: http://streamhacker.com/2008/11/03/part-of-speech-tagging-with-nltk-part-1/
• Apposer/Regex Tagger: http://streamhacker.com/2008/11/10/part-of-speech-tagging-with-nltk-part-2/
• Construire Votre Propre Brill (Lire le code c'est assez amusant tagger, http://www.nltk.org/_modules/nltk/tag/brill.html), voir http://streamhacker.com/2008/12/03/part-of-speech-tagging-with-nltk-part-3/
• Perceptron Tagger: https://honnibal.wordpress.com/2013/09/11/a-good-part-of-speechpos-tagger-in-about-200-lines-of-python/
• LDA Tagger: http://scm.io/blog/hack/2015/02/lda-intentions/

---

Se plaint pos_tag précision sur stackoverflow inclure:

• POS tagging - NLTK pense nom est un adjectif
• python NLTK POS tagger ne marche pas comme prévu
• Comment faire pour obtenir de meilleurs résultats en utilisant NLTK pos tag
• pos_tag dans NLTK n'a pas de balise de phrases correctement

Questions sur NLTK HunPos inclure:

• Comment puis-je tag les fichiers texte avec hunpos dans nltk?
• Personne ne sait comment configurer le hunpos classe wrapper sur nltk?

Problèmes avec NLTK et Stanford POS tagger inclure:

• des difficultés à importer stanford pos tagger dans nltk
• Java Commande Échoue dans NLTK Stanford POS Tagger
• Erreur à l'aide de Stanford POS Tagger dans NLTK Python
• Comment améliorer la vitesse avec Stanford PNL Tagger et NLTK
• Nltk stanford pos tagger erreur : échec de la commande Java
• L'instanciation et l'utilisation de StanfordTagger dans NLTK
• De course de Stanford POS tagger dans NLTK conduit à "pas une application Win32 valide" sur Windows