NLTK在荷蘭命名實體識別

Question

我試圖從荷蘭文本中提取命名實體。 我使用nltk-trainer在conll2002荷蘭語語料庫上訓練一個tagger和一個chunker。 但是，來自chunker的解析方法未檢測到任何命名實體。 這是我的代碼：

str = 'Christiane heeft een lam.'

tagger = nltk.data.load('taggers/dutch.pickle')
chunker = nltk.data.load('chunkers/dutch.pickle')

str_tags = tagger.tag(nltk.word_tokenize(str))
print str_tags

str_chunks = chunker.parse(str_tags)
print str_chunks

而這個程序的輸出：

[('Christiane', u'N'), ('heeft', u'V'), ('een', u'Art'), ('lam', u'Adj'), ('.', u'Punc')]
(S Christiane/N heeft/V een/Art lam/Adj ./Punc)

我期待Christiane被檢測為命名實體。 有幫助嗎？

Answer 1

conll2002語料庫有西班牙語和荷蘭語文本，所以你應該確保使用fileids參數，如python train_chunker.py conll2002 --fileids ned.train 。 西班牙語和荷蘭語的訓練效果不佳。

默認算法是基於Tagger的Chunker，它在conll2002上不能很好地工作。 相反，使用像NaiveBayes這樣的基於分類器的分塊，因此完整命令可能看起來像這樣（並且我已經確認結果chunker確實將“Christiane”識別為“PER”）：

python train_chunker.py conll2002 --fileids ned.train --classifier NaiveBayes --filename ~/nltk_data/chunkers/conll2002_ned_NaiveBayes.pickle