设计一个正则表达式来查找任何名词短语

Question

我正在尝试使用正则表达式（并且没有 NLTK）构建一个分块器（或浅解析器），但无法提出一个正则表达式来完成我想要它做的事情。这是我的直接目标：找到自然语言文本中的所有名词短语。

我的第一步是用我自制的词性标注器标记所有句子，然后将标记/标记对列表加入到单个字符串中，如下所示：

'he PRN and CC bill NP could MOD hear VB them PRN on IN the DT large JJ balcony NN near IN the DT house NN'

我的下一步是使用正则表达式在字符串中搜索名词短语的实例。现在，名词短语的通用语言公式是：可选限定词 (DT)、零个或多个形容词 (JJ)、名词 (NN)、专有名词 (NP) 或代词 (PRN)。鉴于这个通用公式，我尝试了这个正则表达式（记住标记字符串在单词和标签之间交替）：

'(\w+ DT)? (\w+ JJ)* (\w+ (NN|NP|PRN))'

这是我的代码：

text = 'he PRN and CC bill NP could MOD hear VB them PRN on IN the DT large JJ balcony NN near IN the DT house NN'

regex = re.compile(r'(\w+ DT)? (\w+ JJ)* (\w+ (NN|NP|PRN))')
m = regex.findall(text)

if m:
     print m

这是我的输出：

[('the DT', 'large JJ', 'balcony NN', 'NN')]

它没有找到代词或专有名词，并且由于某种原因仅匹配 '\w+ DT \w+ NN' 模式中的 'NN'。我假设我的正则表达式会匹配这些模式，因为我将确定模式设置为可选 (?) 并将形容词模式设置为零次或多次 (*)。

克里斯

Answer 1

使用这个：

(?:(?:\w+ DT )?(?:\w+ JJ )*)?\w+ (?:N[NP]|PRN)

见demo。

• (?:(?:\w+ DT )?(?:\w+ JJ )*)? 可选匹配 DT，后跟零个或多个形容词
• '\w+ (?:N[NP]|PRN)' 匹配 NN、NP 或 PRN

Answer 2

你的正则表达式是，

(\w+ DT)? (\w+ JJ)*|(\w+ (?:NN|NP|PRN))

DEMO

Answer 3

一般语言公式

但是捕捉名词短语是有问题的。

名词短语可以包含连词，副词，并且可以在包含动词的从句中后修饰，以及如何处理动名词？

真的好男人和女人 卖了他们出售的书 = 全部 1 个名词短语

慈善机构本地、国家和国际 = 形容词列表

不过，查找不是特定事物的组（例如动词或介词 FIRST）可能更容易。 （请记住，短语也可以在其他短语中）

^V^I