如何在带有POS标签的语料库文件中更改短语动词的词序

Question

我有一个带有POS标签的并行语料库文本文件，在该文件中我想对单词进行重新排序，以便“可分离的短语动词粒子”出现在短语动词的“动词”旁边（“组成计划”而不是“制定计划”）。 用于统计机器翻译系统中的预处理。 以下是带有POS标签的文本文件中的一些示例行：

1. you_PRP意思是_VBP we_PRP应该_MD kick_VB他们_PRP out_RP ._。
2. don_VB't_NNP take_VB it_PRP off_RP直到_IN I_PRP say_VBP so_RB ._。
3. please_VB help_VB the_DT man_NN out_RP ._。
4. shut_VBZ it_PRP down_RP！_。

我想将所有质点（在示例中：out_RP，off_RP，out_RP，down_RP）移到最接近的前一个动词（即与质点组合在一起的动词组成短语动词）的旁边。 更改单词顺序后，各行的外观如下：

1. you_PRP意思是_VBP we_PRP应该_MD kick_VB out_RP他们_PRP ._。
2. don_VB't_NNP take_VB off_RP it_PRP直到_IN I_PRP say_VBP so_RB ._。
3. please_VB help_VB out_RP the_DT man_NN ._。
4. shut_VBZ down_RP it_PRP！_。

到目前为止，我已经尝试使用python和正则表达式通过使用re.findall对问题进行排序：

import re 

file=open('first100k.txt').read()
matchline3='\w*_VB.?\s\w*_DT\s\w*_NN\s\w*_RP'
wordorder1=re.findall(matchline3,file)
print wordorder1

这将找到单词顺序为1的所有短语动词（请参见下文），但这是我所能做到的，因为我不知道如何将质点移动到动词旁边。 任何想法如何正确解决此问题（不一定使用python和regex）？ 我希望能够搜索所有短语动词，并按以下单词顺序移动质点：

（使用的标记来自Penn Treebank标记集（ http://www.ling.upenn.edu/courses/Fall_2003/ling001/penn_treebank_pos.html））（x表示可选字符，以便包括所有动词形式，并且*表示通配符））

1. * _VBx + * _ DT + * _ NN + * _ RP
2. * _VBx + * _ DT + * _ NNS + * _ RP
3. * _ VBx + * _DT + * _。JJ + * _ NN + * _ RP

4. * _ VBx + * _DT + * _。JJ + * _ NNS + * _ RP

5. * _VBx + * _ PRP $ + * _ NN + * _ RP

6. * _VBx + * _ PRP $ + * _ NNS + * _ RP
7. * _ VBx + * _PRP $ + * _。JJ + * _ NN + * _ RP

8. * _ VBx + * _PRP $ + * _。JJ + * _ NNS + * _ RP

9. * _VBx + * _ NNP + * _ RP

10. * _VBx + * _ JJ + * _ NNP + * _ RP

11. * _VBx + * _ NNPS + * _ RP

12. * _VBx + * _ PRP + * _ RP

预先感谢您的帮助！

Answer 1

我不建议在这里使用正则表达式。 绝对不像在空格上分割后在每一行上迭代，可能重新排列列表并最终加入那样，不那么直观。 你可以尝试这样

reordered_corpus = open('reordered_corpus.txt', 'w')
with open('corpus.txt', 'r') as corpus:
    for phrase in corpus:
        phrase = phrase.split()                 # split on whitespace
        vb_index = rp_index = -1                # variables for the indices
        for i, word_pos in enumerate(phrase):
            pos = word_pos.split('_')[1]        # POS at index 1 splitting on _
            if pos == 'VB' or pos == 'VBZ':     # can add more verb POS tags
                vb_index = i
            elif vb_index >= 0 and pos == 'RP': # or more particle POS tags
                rp_index = i
                break                           # found both so can stop
        if vb_index >= 0 and rp_index >= 0:     # do any rearranging
            phrase = phrase[:vb_index+1] + [phrase[rp_index]] + \
                     phrase[vb_index+1:rp_index] + phrase[rp_index+1:]
        reordered_corpus.write(' '.join(word_pos for word_pos in phrase)+'\n')
reordered_corpus.close()

使用此代码，如果corpus.txt读取，

you_PRP mean_VBP we_PRP should_MD kick_VB them_PRP out_RP ._.
don_VB 't_NNP take_VB it_PRP off_RP until_IN I_PRP say_VBP so_RB ._.
please_VB help_VB the_DT man_NN out_RP ._.
shut_VBZ it_PRP down_RP !_.

运行后， reordered_corpus.txt将是

you_PRP mean_VBP we_PRP should_MD kick_VB out_RP them_PRP ._.
don_VB 't_NNP take_VB off_RP it_PRP until_IN I_PRP say_VBP so_RB ._.
please_VB help_VB out_RP the_DT man_NN ._.
shut_VBZ down_RP it_PRP !_.