python – 如何在整个Penn Treebank语料库中训练NLTK？

我最初使用NLTK的以下Penn Treebank标记：

POS_Tagger = UnigramTagger(treebank.tagged_sents(), backoff=DefaultTagger('NN'))

然而,这不符合口头文本.例如,“hello”在应该的时候不被认为是感叹词.我从这里(In NLTK pos_tag, why “hello” is classified as Noun?)读到,如果我想标记语音文字,我将“需要在整个宾夕法尼亚大学银行树上训练标记器,其中包括300万字的英语口语.”我现在的问题是如何做到这一点？我一直在这里(Penn Treebank Project),但找不到任何东西.

如果整个宾州树园的培训太难了,那还有什么选择呢？我正在考虑布朗语料库但是POS标签不同,这使得我必须重写程序的其他部分.

解决方法:

你可能想要考虑美国国家语料库.虽然并非所有这些都是免费提供的,但是大部分是(大约1400万字).那部分被称为“OANC”(“开放”的“O”).它被标记为Penn Treebank POS标签.

它还包括更高级别的注释,例如段落,句子,名词和动词“块”,您可能需要也可能不需要,但当然可以忽略.

见http://www.americannationalcorpus.org/OANC/index.html