栏目分类:
子分类:
返回
名师互学网用户登录
快速导航关闭
当前搜索
当前分类
子分类
实用工具
热门搜索
名师互学网 > IT > 面试经验 > 面试问答

使用NLTK创建新的语料库

面试问答 更新时间: 发布时间: IT归档 最新发布 模块sitemap 名妆网 法律咨询 聚返吧 英语巴士网 伯小乐 网商动力

使用NLTK创建新的语料库

我认为

PlaintextCorpusReader
,至少在您的输入语言是英语的情况下,已经使用punkt标记器来分割输入了。

PlainTextCorpusReader的构造函数

def __init__(self, root, fileids,  word_tokenizer=WordPunctTokenizer(),  sent_tokenizer=nltk.data.LazyLoader(      'tokenizers/punkt/english.pickle'),  para_block_reader=read_blankline_block,  encoding='utf8'):

您可以向读者传递一个单词和句子标记器,但后者的默认值已经是

nltk.data.LazyLoader('tokenizers/punkt/english.pickle')

对于单个字符串,将按以下方式使用标记器(此处说明,有关punkt标记器,请参见第5节)。

>>> import nltk.data>>> text = """... Punkt knows that the periods in Mr. Smith and Johann S. Bach... do not mark sentence boundaries.  And sometimes sentences... can start with non-capitalized words.  i is a good variable... name.... """>>> tokenizer = nltk.data.load('tokenizers/punkt/english.pickle')>>> tokenizer.tokenize(text.strip())


转载请注明:文章转载自 www.mshxw.com
本文地址:https://www.mshxw.com/it/610979.html
我们一直用心在做
关于我们 文章归档 网站地图 联系我们

版权所有 (c)2021-2022 MSHXW.COM

ICP备案号:晋ICP备2021003244-6号