java - spanish - pos tags stanford

formato xml en stanford pos tagger

Question

he etiquetado 20 oraciones y este es mi código:

public class myTag {

public static void main(String[] args) {

    Properties props = new Properties();

    try {
        props.load(new FileReader("D:/tagger/english-bidirectional-distsim.tagger.props"));
    } catch (FileNotFoundException e) {
        // TODO Auto-generated catch block
        e.printStackTrace();
    } catch (IOException e) {
        // TODO Auto-generated catch block
        e.printStackTrace();
    }

    MaxentTagger tagger = new MaxentTagger("D:/tagger/english-bidirectional-distsim.tagger",props);

    //==================================================================================================
    try (BufferedReader br = new BufferedReader(new FileReader("C:/Users/chelsea/Desktop/EN/EN.txt")))
    {

        String sCurrentLine;

        while ((sCurrentLine = br.readLine()) != null) {

            String tagged = tagger.tagString(sCurrentLine);
            System.out.println(tagged);
        }

    } catch (IOException e) {
        e.printStackTrace();
    }

}

}

este es el resultado:

img http://i59.tinypic.com/2w5pp4o.png

como puedes ver en el nodo de oraciones, tiene un atributo Id y aquí es constante = 0, lo que no debería ser. Espero el valor = 0,1,2,3,4, ... no entiendo lo que está mal con mi código

Answer 1

El etiquetador de POS de Stanford (estrictamente hablando, separador de oraciones que se aplica antes del anotador de POS) genera identificadores para oraciones por texto de entrada. Entonces, le pides a tagger que etiquete sCurrentLine consta de una oración, este texto se divide en oraciones, en realidad, solo una, con id = 0; luego pides etiquetar otro texto - sCurrentLine de la siguiente iteración - y de nuevo es la única oración y por lo tanto es la primera oración con id = 0; y así.

Por lo tanto, si quieres identificadores correctos, primero crea todo el texto y luego tagger al tagger . Sin embargo, si su texto de entrada ya está dividido por oraciones, será mejor dejarlo tal como está (y generar identificadores usted mismo en el ciclo, si los necesita).