Извлечение словосочетаний с существительными с помощью строф и CoreNLPClient

Question

Я пытаюсь извлекать словосочетания из предложений с помощью Stanza (с Stanford CoreNLP). Это можно сделать только с помощью модуля CoreNLPClient в Станце.

# Import client module
from stanza.server import CoreNLPClient
# Construct a CoreNLPClient with some basic annotators, a memory allocation of 4GB, and port number 9001
client = CoreNLPClient(annotators=['tokenize','ssplit','pos','lemma','ner', 'parse'], memory='4G', endpoint='http://localhost:9001')

Вот пример предложения, и я использую функцию tregrex в клиенте, чтобы получить все словосочетания с существительными. Функция Tregex возвращает dict of dicts в python. Таким образом, мне нужно было обработать вывод tregrex перед тем, как передать его функции Tree.fromstring в NLTK, чтобы правильно извлечь словосочетания существительных в виде строк.

pattern = 'NP'
text = "Albert Einstein was a German-born theoretical physicist. He developed the theory of relativity."
matches = client.tregrex(text, pattern) ``

Следовательно, я придумал метод stanza_phrases, который должен иметь l oop через dict of dicts, который является выводом tregrex и правильно форматировать для Tree.fromstring в NLTK.

def stanza_phrases(matches):
  Nps = []
  for match in matches:
    for items in matches['sentences']:
      for keys,values in items.items():
        s = '(ROOT\n'+ values['match']+')'
        Nps.extend(extract_phrase(s, pattern))
  return set(Nps)

генерирует дерево, которое будет использоваться NLTK

from nltk.tree import Tree
def extract_phrase(tree_str, label):
    phrases = []
    trees = Tree.fromstring(tree_str)
    for tree in trees:
        for subtree in tree.subtrees():
            if subtree.label() == label:
                t = subtree
                t = ' '.join(t.leaves())
                phrases.append(t)

    return phrases

Вот мой результат:

{'Albert Einstein', 'He', 'a German-born theoretical physicist', 'relativity',  'the theory', 'the theory of relativity'}

Есть ли способ сделать этот дополнительный код эффективен при меньшем количестве строк (особенно методы stanza_phrases и extract_phrase)

Answer 1

from stanza.server import CoreNLPClient

# get noun phrases with tregex
def noun_phrases(_client, _text, _annotators=None):
    pattern = 'NP'
    matches = _client.tregex(_text,pattern,annotators=_annotators)
    print("\n".join(["\t"+sentence[match_id]['spanString'] for sentence in matches['sentences'] for match_id in sentence]))

# English example
with CoreNLPClient(timeout=30000, memory='16G') as client:
    englishText = "Albert Einstein was a German-born theoretical physicist. He developed the theory of relativity."
    print('---')
    print(englishText)
    noun_phrases(client,englishText,_annotators="tokenize,ssplit,pos,lemma,parse")

# French example
with CoreNLPClient(properties='french', timeout=30000, memory='16G') as client:
    frenchText = "Je suis John."
    print('---')
    print(frenchText)
    noun_phrases(client,frenchText,_annotators="tokenize,ssplit,mwt,pos,lemma,parse")