文本中不带标点符号的句子标注
我很难让CoreNLP系统正确地找到诗歌语料库中一个句子的结束位置和另一个句子的开始位置。
苦苦挣扎的原因:
- 有些诗全长没有标点符号(有时没有大小写)
- 有些诗的句子从一段到另一段
- 有些诗每行开头都要大写
This is a particularly tricky one (系统认为第一句话以""结尾。在第二节的开头)
考虑到缺少大写字母和标点符号,我想我应该尝试使用-tokenizeNls来看看这是否会改进它,但它做得太过分了,去掉了空行之间的任何句子(有几个)
这些句子通常在行尾结束,但并不总是如此,因此,如果系统可以将一行结尾视为可能的断句候选者,并可能权衡这些结束点的可能性,但我不知道如何实现这一点,这将是一种巧妙的做法。
有没有一种优雅的方法来做到这一点?还是其他选择?
提前谢谢!
(预期句子输出here)
解决方案
我构建了一个句子分割器,它也可以很好地处理无标点符号或部分标点符号的文本。您可以在https://github.com/bedapudi6788/deepsegment找到它。
该模型基于命名实体识别可以用于句子边界(即句子的开始或句子的结束)的思想。我利用来自tatoeba的数据来生成训练数据,并为这项任务训练了一个带有手套嵌入和字符级别的BiLSTM+CRF模型。虽然这是在Python中构建的,但您将能够使用Flask来设置一个简单的REST API,并将其与Java代码一起使用。
相关文章