nlp - spanish - Cómo extraer la relación del texto en NLTK

nltk python español

Question

Hola, estoy tratando de extraer relaciones de una cadena de texto basada en el segundo ejemplo anterior aquí: https://web.archive.org/web/20120907184244/http://nltk.googlecode.com/svn/trunk/doc /howto/relextract.html

A partir de una cadena como "editor Michael James de Publishers Weekly" mi resultado deseado es tener un resultado como:

[PER: ''Michael James''] '', editor de'' [ORG: ''Publishers Weekly'']

¿Cuál es la mejor manera de hacerlo? ¿Qué formato espera extraer y cómo formateo mi entrada para cumplir con ese requisito?

Intenté hacerlo yo mismo pero no funcionó. Aquí está el código que he adaptado del libro. No estoy obteniendo ningún resultado impreso. ¿Qué estoy haciendo mal?

class doc():
 pass

doc.headline = [''this is expected by nltk.sem.extract_rels but not used in this script'']

def findrelations(text):
roles = """
(.*(                   
analyst|
editor|
librarian).*)|
researcher|
spokes(wo)?man|
writer|
,/sof/sthe?/s*  # "X, of (the) Y"
"""
ROLES = re.compile(roles, re.VERBOSE)
tokenizedsentences = nltk.sent_tokenize(text)
for sentence in tokenizedsentences:
    taggedwords  = nltk.pos_tag(nltk.word_tokenize(sentence))
    doc.text = nltk.batch_ne_chunk(taggedwords)
    print doc.text
    for rel in relextract.extract_rels(''PER'', ''ORG'', doc, corpus=''ieer'', pattern=ROLES):
        print relextract.show_raw_rtuple(rel) # doctest: +ELLIPSIS

text = "Michael James editor de Publishers Weekly"

encontrar relaciones (texto)

Answer 1

aquí un código basado en el suyo (solo algunos ajustes) que funciona bien;)

import nltk
import re 
from nltk.chunk import ne_chunk_sents
from nltk.sem import relextract


def findrelations(text):
    roles = """
    (.*(                   
    analyst|
    editor|
    librarian).*)|
    researcher|
    spokes(wo)?man|
    writer|
    ,/sof/sthe?/s*  # "X, of (the) Y"
    """
    ROLES = re.compile(roles, re.VERBOSE)

    sentences = nltk.sent_tokenize(text)
    tokenized_sentences = [nltk.word_tokenize(sentence) for sentence in sentences]
    tagged_sentences = [nltk.pos_tag(sentence) for sentence in tokenized_sentences]
    chunked_sentences = nltk.ne_chunk_sents(tagged_sentences)


    for doc in chunked_sentences:
        print doc
        for rel in relextract.extract_rels(''PER'', ''ORG'', doc, corpus=''ace'', pattern=ROLES):
            #it is a tree, so you need to work on it to output what you want
            print relextract.show_raw_rtuple(rel) 

findrelations(''Michael James editor of Publishers Weekly'')

(S (PERSON Michael / NNP) (PERSON James / NNP) editor / NN de / IN (ORGANIZATION Publishers / NNS Weekly / NNP))