NLTK学习笔记——信息抽取（1）

信息抽取的内容在《Natural Language Processing》第7章，对于文本的信息抽取，命名实体及其关系的识别是至关重要要的，信息抽取分为以下几个步骤：
1. 文本切分，将string类型的文本划分为list类型的句子
2. 句子切分，将每个list类型的句子划分成由单词或chunk组成的list
3. 词性标注，生成由一个list，其组成内容是多个形如(word,lable)的tuple
4. 命名实体识别，生成各个tree组成一个list
5. 关系识别，生成一个list，其内容是多个形如(entity,relation,entity)的tuple

在tree的构成中，分块是个重要的过程，如NP(DT,JJ,JJ,NN)可构成一个NP短语。nltk中有重要的类是RegexpParser，分析预先定义的分块语法grammar，得到多个语法规则，然后利用parser函数对句子分析，得到语法树。下面就介绍一个RegexpParser分析grammar的过程和parser函数的解析过程。

• RegexpParser类

调用：cp=nltk.RegexpParser(grammar)
输入：分块语法grammar，有一个或多个识别块信息的正则表达式，如：

grammar = r"""    NP: {<.*>*}             # start by chunking everything    }<[\.VI].*>+{       # chink any verbs, prepositions or periods    <.*>}{<DT>          # separate on determiners    PP: {<IN><NP>}          # PP = preposition + noun phrase    VP: {<VB.*><NP|PP>*}    # VP = verb words + NPs and PPs    """

输出：
过程：分析过程主要是在read_grammar函数里实现，当grammar是string类型时（如上），就调用read_grammar进行分析。下面就介绍一下分析过程中的要点。
（1）按行读取，并将每行的开头、结尾空格删除
（2）分离非终结符和规则，调用re.py里的match函数进行分离（其细节与chunk模块无关，这里就先不研究了），分离的依据仍然是正则表达式，冒号之前的是非终结符，如NP、PP、VP，冒号之后的是rule
（3）程序用stage来记录有多少个非终结符，一旦遇到非终结符就重设stage，将上一个rule记录下来（之所以记录的是上一个，是因为当前的rule尚未处理，可能存在注释，需要经过处理之后才能记录下来），因此在重设stage时需要判断rule是否为空，那么在首次记录时就不会报错
（4）对于记录rule的过程，首先设定识别chunk、chink、split和merge的规则：

{regexp}         # chunk rule      }regexp{         # chink rule      regexp}{regexp   # split rule      regexp{}regexp   # merge rule  

因此，对于传入的rule，将进行如下处理：
①类似于分离非终结符和rule的方法，将rule和#注释分离，依据是#
②对于分离出的rule（不带注释），根据上面讲的规则，识别出对应的类别，分别调用ChunkRule、ChinkRule、SplitRule和MergeRule进行处理。