如何打印出 Wo​​rdNet 同义词集的主要引理？ Python NLTK

Question

我有大量的 WordNet 同义词集。这组的一小部分是：

syns = {"Synset('brutal.s.04')", "Synset('benignant.s.02')"}

我想为集合中的每个同义词打印出同义词集（同义词集的主要引理）。比如上面集合的输出应该是：

brutal, benignant

这是我使用的代码：

    from nltk.corpus import wordnet as wn
    for s in syns:
        print(wn.s.lemmas[0])

但这不起作用，因为 s 被认为是一个字符串，而不是一个对象。我收到以下错误：

AttributeError: 'WordNetCorpusReader' object has no attribute 's'

这是因为 s 被视为一个字符串，而不是一个对象。我尝试将 s 更改为字节形式，如下所示：

    s = bytes(s)

但这不起作用。如何以最简单的方式仅打印出上述引理？

我检查了here，这是一个很好的方法，但我的同义词集是字符串形式的，而不是真正的对象。

提前谢谢..

Answer 1

TL;DR

>>> syns = {"Synset('brutal.s.04')", "Synset('benignant.s.02')"}
>>> [wn.synset(i[8:-2]) for i in syns]
[Synset('benignant.s.02'), Synset('brutal.s.04')]
>>> syns = [wn.synset(i[8:-2]) for i in syns]
>>> syns[0].lemma_names()
[u'benignant', u'gracious']

---

首先要获得一个以字符串形式打印出来的输入是很奇怪的。因此，第一种直观的方法是使用 Synset 类型 https://github.com/nltk/nltk/blob/develop/nltk/corpus/reader/wordnet.py#L305 执行类似 ast.literal_eval() 或 eval() 的操作（但在此之前请参阅 http://nedbatchelder.com/blog/201206/eval_really_is_dangerous.html）：

>>> from nltk.corpus.reader.wordnet import Synset
>>> from nltk.corpus import wordnet as wn
>>> syns = {"Synset('brutal.s.04')", "Synset('benignant.s.02')"}
>>> [eval(i) for i in syns]
[Synset('None'), Synset('None')]

显然，Synset 类不能独立于 nltk.corpus.wordnet 工作。所以我们来看看wordnet.synset() 函数（https://github.com/nltk/nltk/blob/develop/nltk/corpus/reader/wordnet.py#L1217）。似乎它只需要Synset 对象的预分配名称，所以：

>>> wn.synset('brutal.s.04')
Synset('brutal.s.04')
>>> type(wn.synset('brutal.s.04'))
<class 'nltk.corpus.reader.wordnet.Synset'>

之后，当您输入syns 中的伪字符串synset 变为Synset 时，您可以轻松控制Synset，如How do I print out just the word itself in a WordNet synset using Python NLTK? 所示

回到你奇怪的输入syns，执行以下操作将为我提供同义词集的名称：

>>> syns = {"Synset('brutal.s.04')", "Synset('benignant.s.02')"}
>>> list(syns)[0]
"Synset('benignant.s.02')"
>>> list(syns)[0][8:-2]
'benignant.s.02'

回到将其转换为 Synset：

>>> syns = {"Synset('brutal.s.04')", "Synset('benignant.s.02')"}
>>> [wn.synset(i[8:-2]) for i in syns]
[Synset('benignant.s.02'), Synset('brutal.s.04')]
>>> syns = [wn.synset(i[8:-2]) for i in syns]
>>> syns[0].lemma_names()
[u'benignant', u'gracious']

---

但是让我们完全回滚，你会得到一个奇怪的输入 syns，因为有人通过简单地将 str() 转换为 Synset 对象来保存他们的输出：

>>> syns[0]
Synset('benignant.s.02')
>>> str(syns[0])
"Synset('benignant.s.02')"

这个人本来可以做的：

>>> syns[0].name()
u'benignant.s.02'

然后您的输入 syns 对象将如下所示：

syns = {u'brutal.s.04', u'benignant.s.02'}

要阅读它，您只需这样做：

>>> from nltk.corpus import wordnet as wn
>>> syns = {u'brutal.s.04', u'benignant.s.02'}
>>> syns = [wn.synset(i) for i in syns]
>>> syns[0]
Synset('brutal.s.04')
>>> syns[0].lemma_names()
[u'brutal']

Answer 2

如果我正确理解了您的数据，您可以遍历字符串列表并使用正则表达式来解析它们。

import re
synsnew=[]
for word in syns:
    try:
        synsnew.append(re.search(r"'(\w+)\.",word).group(1))
    except:
        pass