NLTK提供了在Brown(或Gutenberg)语料库中打印所有单词的函数。但是等效的函数似乎在Wordnet上无法工作。
是否有一种通过NLTK完成此操作的方法?如果没有,该如何实现?
这个可以运行:
from nltk.corpus import brown as b
print b.words()
这会导致一个AttributeError错误:
from nltk.corpus import wordnet as wn
print wn.words()
对于WordNet而言,它是一个单词义项资源库,因此该资源中的元素按照义项(也称为synsets
)进行索引。
要遍历synsets
:
>>> from nltk.corpus import wordnet as wn
>>> for ss in wn.all_synsets():
... print ss
... print ss.definition()
... break
...
Synset('able.a.01')
(usually followed by `to') having the necessary means or skill or know-how or authority to do something
lemmas
:这些lemmas是我们在查词典时使用的单词的规范(“根”)形式。>>> lemmas_in_wordnet = set(chain(*[ss.lemma_names() for ss in wn.all_synsets()]))
有趣的是,wn.words()
也会返回所有的lemma_names
:
>>> lemmas_in_words = set(i for i in wn.words())
>>> len(lemmas_in_wordnet)
148730
>>> len(lemmas_in_words)
147306
但是奇怪的是,使用 wn.words()
收集的单词总数存在一些差异。
将 wordnet 的完整内容打印成文本似乎是一件过于雄心勃勃的事情,因为 wordnet 的结构有点像一个分层图,同义词集相互连接,每个同义词集都有自己的属性/特性。这就是为什么 wordnet 文件不仅仅被保存为单个文本文件的原因。
要查看同义词集包含的内容:
>>> first_synset = next(wn.all_synsets())
>>> dir(first_synset)
['__class__', '__delattr__', '__dict__', '__doc__', '__eq__', '__format__', '__ge__', '__getattribute__', '__gt__', '__hash__', '__init__', '__le__', '__lt__', '__module__', '__ne__', '__new__', '__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__sizeof__', '__slots__', '__str__', '__subclasshook__', '__unicode__', '__weakref__', '_all_hypernyms', '_definition', '_examples', '_frame_ids', '_hypernyms', '_instance_hypernyms', '_iter_hypernym_lists', '_lemma_names', '_lemma_pointers', '_lemmas', '_lexname', '_max_depth', '_min_depth', '_name', '_needs_root', '_offset', '_pointers', '_pos', '_related', '_shortest_hypernym_paths', '_wordnet_corpus_reader', 'also_sees', 'attributes', 'causes', 'closure', 'common_hypernyms', 'definition', 'entailments', 'examples', 'frame_ids', 'hypernym_distances', 'hypernym_paths', 'hypernyms', 'hyponyms', 'instance_hypernyms', 'instance_hyponyms', 'jcn_similarity', 'lch_similarity', 'lemma_names', 'lemmas', 'lexname', 'lin_similarity', 'lowest_common_hypernyms', 'max_depth', 'member_holonyms', 'member_meronyms', 'min_depth', 'name', 'offset', 'part_holonyms', 'part_meronyms', 'path_similarity', 'pos', 'region_domains', 'res_similarity', 'root_hypernyms', 'shortest_path_distance', 'similar_tos', 'substance_holonyms', 'substance_meronyms', 'topic_domains', 'tree', 'unicode_repr', 'usage_domains', 'verb_groups', 'wup_similarity']
浏览这个 howto
会有助于了解如何访问WordNet中所需的信息:http://www.nltk.org/howto/wordnet.html
from nltk.corpus import wordnet as wn
synonyms=[]
for word in wn.words():
print (word,end=":")
for syn in wn.synsets(word):
for l in syn.lemmas():
synonyms.append(l.name())
print(set(synonyms),end="\n")
synonyms.clear()
for word in wn.words():
print word
wn.words()
实际上是一个生成字符串序列的迭代器,而不是像 b.words
那样的字符串列表。 for
循环会导致迭代器逐个生成单词。 wn.words()
Out[11]: <dictionary-keyiterator at 0x1128cae68> - Steven Barkin
lemmas_in_words = set(i for i in wn.words())
给出了以下错误:AttributeError: 'WordNetCorpusReader'对象没有'words'属性。 - zadroznypip install -U nltk
=) - alvaswn.synsets('NTU') = [ Synset('Nanyang_Technological_University.n.1'), Synset('National_Taiwan_University.n.1') ]
。 - alvas