web-dev-qa-db-ja.com

Python

Pythonで、ユーザーが入力に使用するトークナイザーを指定できるカスタムトークナイザーモジュールを設計したいと思います。たとえば、次の入力について考えてみます。

Q：これを達成するための良い方法は何ですか？ A：よくわかりません。 Pythonを使うと思います。

NLTKの文のトークン化 、sent_tokenize()をオプションとして提供できるようにしたいのです。これは、多くの状況でうまく機能し、車輪の再発明をしたくないからです。これに加えて、よりきめ細かいトークン化ビルダー（ルールエンジンのラインに沿ったもの）も提供したいと思います。説明させてください：

いくつかのトークナイザーを提供するとします。

SENTENCE # Tokenizes the given input by using sent_tokenize()
Word # Tokenizes the given input by using Word_tokenize()
QA # Tokenizes using a custom regular expression. E.g., Q: (.*?) A: (.*?)

次のようなルールをサポートしたいと思います。

  1. QA-> SENTENCE：最初にQAトークナイザーを適用し、次にセンテンストークナイザーを適用します
  2. QA：QAトークナイザーのみを適用します

したがって、期待される出力は次のとおりです。

1。 QA->文

[
  ('QUESTION', 
             ('SENTENCE', 'What is a good way to achieve this?'), 
  ),
  ('ANSWER', 
             ('SENTENCE', 'I am not so sure', 'I think I will use Python')
  )
]

2。 QA

[
  ('QUESTION', 'What is a good way to achieve this?'),
  ('ANSWER', 'I am not so sure. I think I will use Python')
]

これを効率的に実現するための優れた設計は何ですか？

pythonregextokentokenizenltk
18
Legend

Pythonではトークン化が簡単なので、モジュールが何を提供する予定なのか疑問に思います。つまり、ソフトウェアを開始するとき、優れた設計は、最初にデータ構造を検討するのではなく、使用シナリオを検討することから生まれます。

期待される出力の例は少し紛らわしいです。トークナイザーが左側に名前を返し、右側にトークンのリストを返すようにしたいと思います。同様の結果を達成するために少し遊んだのですが、扱いやすくするためにリストを使用しました。

import re

# some tokenizers
def tokzr_Word(txt): return ('Word', re.findall(r'(?ms)\W*(\w+)', txt))  # split words
def tokzr_SENT(txt): return ('SENTENCE', re.findall(r'(?ms)\s*(.*?(?:\.|\?|!))', txt))  # split sentences
def tokzr_QA(txt):
    l_qa = []
    for m in re.finditer(r'(?ms)^[\s#\-\*]*(?:Q|Question)\s*:\s*(?P<QUESTION>\S.*?\?)[\s#\-\*]+(?:A|Answer)\s*:\s*(?P<ANSWER>\S.*?)$', txt):  # split (Q, A) sequences
        for k in ['QUESTION', 'ANSWER']:
            l_qa.append(m.groupdict()[k])
    return ('QA', l_qa)
def tokzr_QA_non_canonical(txt):  # Note: not supported by tokenize_recursively() as not canonical.
    l_qa = []
    for m in re.finditer(r'(?ms)^[\s#\-\*]*(?:Q|Question)\s*:\s*(?P<QUESTION>\S.*?\?)[\s#\-\*]+(?:A|Answer)\s*:\s*(?P<ANSWER>\S.*?)$', txt):  # split (Q, A) sequences
        for k in ['QUESTION', 'ANSWER']:
            l_qa.append((k, m.groupdict()[k]))
    return l_qa

dict_tokzr = {  # control string: tokenizer function
    'Word'    : tokzr_Word,
    'SENTENCE': tokzr_SENT,
    'QA'      : tokzr_QA,
}

# the core function
def tokenize_recursively(l_tokzr, work_on, lev=0):
    if isinstance(work_on, basestring):
        ctrl, work_on = dict_tokzr[l_tokzr[0]](work_on)  # tokenize
    else:
        ctrl, work_on = work_on[0], work_on[1:]  # get right part
    ret = [ctrl]
    if len(l_tokzr) == 1:
        ret.append(work_on)  # add right part
    else:
        for wo in work_on:  # dive into tree
            t = tokenize_recursively(l_tokzr[1:], wo, lev + 1)
            ret.append(t)
    return ret

# just for printing
def nestedListLines(aList, ind='    ', d=0):
    """ Returns multi-line string representation of \param aList.  Use \param ind to indent per level. """
    sRet = '\n' + d * ind + '['
    nested = 0
    for i, e in enumerate(aList):
        if i:
            sRet += ', '
        if type(e) == type(aList):
            sRet += nestedListLines(e, ind, d + 1)
            nested = 1
        else:
            sRet += '\n' + (d + 1) * ind + repr(e) if nested else repr(e)
    sRet += '\n' + d * ind + ']' if nested else ']'
    return sRet

# main()
inp1 = """
    * Question: I want try something.  Should I?
    * Answer  : I'd assume so.  Give it a try.
"""
inp2 = inp1 + 'Q: What is a good way to achieve this?  A: I am not so sure. I think I will use Python.'
print repr(tokzr_Word(inp1))
print repr(tokzr_SENT(inp1))
print repr(tokzr_QA(inp1))
print repr(tokzr_QA_non_canonical(inp1))  # Really this way?
print

for ctrl, inp in [  # example control sequences
    ('SENTENCE-Word', inp1),
    ('QA-SENTENCE', inp2)
]:
    res = tokenize_recursively(ctrl.split('-'), inp)
    print nestedListLines(res)

ところで。 Python/Lib/tokenize.py（Pythonコード自体））は、物事の処理方法を一見の価値があるかもしれません。

10
thoku

私が質問を正しく理解しているなら、あなたは車輪の再発明をすべきだと思います。必要なさまざまなタイプのトークン化用にステートマシンを実装し、トークンを保存するためにpython辞書を使用します。

http://en.wikipedia.org/wiki/Finite-state_machine

スペースを含む文を取得して単語を出力するステートマシンの例。もちろん、この特定の例をより簡単な方法で実行できます。しかし、一般にステートマシンを使用すると、線形時間パフォーマンスが得られ、簡単にコスト計算できます。

while 1:
    if state == "start":
        if i == len(text):
            state = "end"
        Elif text[i] == " ":
            state = "new Word"
            i = i - 1
        else:
            Word.append(text[i])
    Elif state == "new Word":
        print(''.join(Word))
        del Word[:]
        state = "start"
    Elif state == "end":
        print(''.join(Word))
        break
    i = i + 1

http://docs.python.org/2/library/collections.html#collections.Counter

次に、たとえば、このpythonデータ構造を使用してトークンを保存できます。これは、ニーズに完全に適していると思います。

これが助けになったといいのですが。

4
Ekgren