使用NLP从文本提取关联值

我想提取与度量单位关联的Cardinal(CD)值,并将其存储在字典中.例如,如果文本包含“ 20公斤”之类的标记,则应将其提取并保存在词典中.

例：

>对于输入文本,“ 10英寸煎锅具有出色的导热性和分布性”,输出字典应类似于{“ dimension”：“ 10-inch”}
>对于输入文本“此水桶可容纳5升水.”,输出应类似于{“ volume”：“ 5 litres”}

line = 'This bucket holds 5 litres of water.'
tokenized = nltk.word_tokenize(line)
tagged = nltk.pos_tag(tokenized)

上面的行将给出输出：

[('This', 'DT'), ('bucket', 'NN'), ('holds', 'VBZ'), ('5', 'CD'), ('litres', 'NNS'), ('of', 'IN'), ('water', 'NN'), ('.', '.')]

有没有办法从文本中提取CD和UOM值？

解决方法:

不确定您需要该过程如何灵活.您可以使用nltk.RegexParser并提出一些好的模式：

import nltk

sentence = 'This bucket holds 5 litres of water.'

parser = nltk.RegexpParser(
    """
    INDICATOR: {<CD><NNS>}
    """)

print parser.parse(nltk.pos_tag(nltk.word_tokenize(sentence)))

输出：

(S
  This/DT
  bucket/NN
  holds/VBZ
  (INDICATOR 5/CD litres/NNS)
  of/IN
  water/NN
  ./.)

您还可以创建一个语料库并训练分块器.