如何为 nltk 词形还原器提供（或生成）标签

我有一组文档，我想将它们转换为这样的形式，这样我就可以对这些文档中的单词进行 tfidf 计数（这样每个文档都由 tfidf 数字向量表示）。

我认为调用 WordNetLemmatizer.lemmatize(word) 就足够了，然后调用 PorterStemmer - 但所有 'have'、'has'、'had' 等都不会被词形还原器转换为 'have' - 并且它适用其他词也是如此。然后我读到，我应该为词形还原器提供提示 - 代表单词类型的标签 - 无论是名词、动词、形容词等。

我的问题是 - 我如何获得这些标签？我应该对这些文档执行什么操作才能得到这个？

我正在使用 python3.4，并且一次对单个单词进行词形还原 + 词干提取。我尝试了 WordNetLemmatizer、nltk 中的 EnglishStemmer 以及 Stemming.porter2 中的 Stem()。

好吧，我用谷歌搜索了更多，找到了如何获取这些标签。 第一个必须进行一些预处理，以确保该文件将被标记化（在我的例子中，它是关于删除从 pdf 转换为 txt 后留下的一些内容）。

然后这些文件必须被标记为句子，然后将每个句子标记为单词数组，并且可以通过 nltk 标记器进行标记。这样就可以完成词形还原，然后在其之上添加词干。

from nltk.tokenize import sent_tokenize, word_tokenize
# use sent_tokenize to split text into sentences, and word_tokenize to
# to split sentences into words
from nltk.tag import pos_tag
# use this to generate array of tuples (word, tag)
# it can be then translated into wordnet tag as in
# [this response][1]. 
from nltk.stem.wordnet import WordNetLemmatizer
from stemming.porter2 import stem

# code from response mentioned above
def get_wordnet_pos(treebank_tag):
    if treebank_tag.startswith('J'):
        return wordnet.ADJ
    elif treebank_tag.startswith('V'):
        return wordnet.VERB
    elif treebank_tag.startswith('N'):
        return wordnet.NOUN
    elif treebank_tag.startswith('R'):
        return wordnet.ADV
    else:
        return ''    


with open(myInput, 'r') as f:
    data = f.read()
    sentences = sent_tokenize(data)
    ignoreTypes = ['TO', 'CD', '.', 'LS', ''] # my choice
    lmtzr = WordNetLemmatizer()
    for sent in sentences:
        words = word_tokenize(sentence)
        tags = pos_tag(words)
        for (word, type) in tags:
            if type in ignoreTypes:
                continue
            tag = get_wordnet_pos(type)
            if tag == '':
                continue
            lema = lmtzr.lemmatize(word, tag)
            stemW = stem(lema)

此时我得到了词干stemW然后我可以将其写入文件，并使用它们来计算每个文档的 tfidf 向量。