NLTK 将标记化句子转换为同义词集格式

我希望使用 NLTK 获得单个单词和句子中每个单词之间的相似性。

NLTK可以得到两个特定单词之间的相似度，如下所示。此方法要求给出对该单词的具体引用，在本例中为“dog.n.01”，其中狗是名词，我们希望使用第一个 (01) NLTK 定义。

dog = wordnet.synset('dog.n.01')
cat = wordnet.synset('cat.n.01')
print  dog.path_similarity(cat)
>> 0.2

问题是我需要从句子中的每个单词中获取词性信息。 NLTK 包能够获取句子中每个单词的词性，如下所示。但是，这些语音部分（“NN”、“VB”、“PRP”...）与同义词集作为参数的格式不匹配。

text = word_tokenize("They refuse to permit us to obtain the refuse permit")
pos_tag(text)
>> [('They', 'PRP'), ('refuse', 'VBP'), ('to', 'TO'), ('permit', 'VB'), ('us', 'PRP'), ('to', 'TO'), ('obtain', 'VB'), ('the', 'DT'), ('refuse', 'NN'), ('permit', 'NN')]

是否可以从 NLTK 中的 pos_tag() 结果获取 synset 格式的数据？通过同义词集格式化我的意思是这样的格式dog.n.01

您可以使用一个简单的转换函数：

from nltk.corpus import wordnet as wn

def penn_to_wn(tag):
    if tag.startswith('J'):
        return wn.ADJ
    elif tag.startswith('N'):
        return wn.NOUN
    elif tag.startswith('R'):
        return wn.ADV
    elif tag.startswith('V'):
        return wn.VERB
    return None

标记句子后，您可以使用此函数将句子中的单词与 SYNSET 联系起来。这是一个例子：

from nltk.stem import WordNetLemmatizer
from nltk import pos_tag, word_tokenize

sentence = "I am going to buy some gifts"
tagged = pos_tag(word_tokenize(sentence))

synsets = []
lemmatzr = WordNetLemmatizer()

for token in tagged:
    wn_tag = penn_to_wn(token[1])
    if not wn_tag:
        continue

    lemma = lemmatzr.lemmatize(token[0], pos=wn_tag)
    synsets.append(wn.synsets(lemma, pos=wn_tag)[0])

print synsets

Result: [Synset('be.v.01'), Synset('travel.v.01'), Synset('buy.v.01'), Synset('gift.n.01')]