如何使用 WordNet 或与 wordnet 相关来实现基于类别的文本标记？答案

【问题标题】：How to implement category based text tagging using WordNet or related to wordnet?如何使用 WordNet 或与 wordnet 相关来实现基于类别的文本标记？
【发布时间】：2014-02-27 07:42:57
【问题描述】：

如何使用 wordnet 按单词的类别标记文本（java 作为接口）？

示例

考虑句子：

1) 计算机需要键盘、显示器、CPU 才能工作。
2）汽车使用齿轮和离合器。

现在我的目标是，例句必须标记为

第一句

计算机/电子
键盘/电子
CPU / 电子

第二句

汽车/机械
齿轮 / 机械
离合器 / 机械

一些额外的例子......

“使用微芯片监控离合器和齿轮” -> 离合器/机械、齿轮/机械、微芯片/电子

“此处用于监测氢含量的软件”-> 软件/计算机、氢/化学 ..

我想在java中实现上面提到的目标，即按相关类别标记名词，例如技术，机械，电气等。

如何使用 wordnet 做到这一点。

我以前的作品

为了实现我的目标，我为每个类别在文本文件中创建了一个术语索引，并将其与标题相匹配。如果它在文本文件中包含一个单词，则标题被分类。

例如

Automobile.txt 拥有car , gear , wheel , clutch。
networking.txt有server,IP Address,TCP , RIP

这是算法：

String Classify (String title)
{
 String area;
 if (compareWordsFrom ("Automobile.txt",title) == true ) area = "Auto";
 if (compareWordsFrom ("Netoworking.txt",title) == true ) area = "Networking";
 if (compareWordsFrom ("metels.txt",title) == true ) area = "Metallurgy";
 return area;
}

很难找到相关的词来建立索引。也就是说，汽车领域有1000个很难找到的相关术语。

确切地说，手动建立术语索引是一个令人心碎的过程

我已经使用了 Stanford NLP 、 Open NLP ，但是它们标记了 POS ，但不能满足需要。

我的需要
我需要一种自动化的工作方式。做自然语言处理技术能够做到这一点。 ?

有人建议使用wordnet库，但我怎么用它，因为它就像字典一样，但我想要..

机械 = {齿轮，涡轮，发动机 ....) 电子 = {microchip , RAM , ROM ,...)

有没有类似上述结构的单词数据库..

或者我有现成的库吗？

【问题讨论】：

你有标记句子的语料库来训练机器学习算法吗？您知道可供选择的完整标签集吗？同样在您的示例中，您在语义上标记名词，但在语法上其他所有内容，这是故意的吗？
@DanielMahler...我编辑了我的问题..再读一遍..它包含您查询的信息

标签： java machine-learning nlp classification wordnet

【解决方案1】：

您需要将一堆名词（例如“汽车”、“齿轮”）分类为预定义的类别（例如“汽车”）。尽管命名实体识别是完成此任务的正确方法，但它也有问题，主要问题是收集足够的注释数据以正确训练系统。

WordNet 可以通过在名词之间建立 semantic similarity 来提供帮助，从而帮助您根据相似度分数选择类别。有几种建立相似度分数的方法。一些突出的是

Lin's information-theoretic definition of similarity
LESK，一个基于术语字典定义重叠程度的分数。
Wu & Palmer's score 基于同义词集深度

基本思想是相似的术语被一个本体（例如 WordNet）分组到相似的类别下。因此，如果它们密切相关，它们在本体的类别树中的类别之间的距离会更短，否则会更长。也许最简单的分数是路径分数：

PathScore(s1, s2) = 1/pathLength(s1, s2)

其中pathLength是上述类别树中路径的长度。

举例说明：

PathScore(*car*, *automobile*) = 1.0;     // path score is always between 0 and 1
WuPalmerScore(*car*, *automobile*) = 1.0; // Wu & Palmer's score is always between 0 and 1

PathScore(*engine*, *automobile*) = 0.25;
WuPalmerScore(*engine*, *automobile*) = 0.88;

PathScore(*microprocessor*, *automobile*) = 0.09;
WuPalmerScore(*microprocessor*, *automobile*) = 0.58;

因此，如您所见，您想要在同一类别中的术语通常具有更高的相似度分数。执行此操作的最佳库是 WordNet Similarity for Java，它提供了几个相似性指标供您试验。他们还有一个online demo here。

警告如果您尝试标记专有名词，WordNet 将无法正常运行。例如，如果您希望 Hyundai 属于汽车类别，而 Samsung 属于电子产品类别，这根本无济于事……因为 WordNet 没有分类这些名词。在 WordNet 之上构建的其他本体可能会在这种情况下为您提供帮助：

这样一个著名的本体是Yago。
使用维基百科分类是另一种成功的方法。

【讨论】：