正则表达式从词性解析树中提取名词短语

Question

我正在尝试从斯坦福POS解析树中提取所有三个单词名词短语。基本上，任何看起来像：

(NP (TAG WORD) (TAG WORD) (TAG WORD))

或：

(NP (TAG WORD) (TAG (TAG WORD) (TAG WORD)))

解析树的样子如下：

(ROOT (SQ (VBZ Is) (NP (DT this)) (NP (DT an) (NN asthma) (NN attack)) (. ?)))

当我做这个正则表达式时，它会提取正确的 3 字名词短语：

threeWordNounPhrases = full.scan(/(NP ([^()]+ [^()]+) ([^()]+ [^()]+))/)
# => "(NP (DT an) (NN asthma) (NN attack))"

但是，这不适用于以下情况：

(ROOT (SQ (NNP Should) (NP (PRP I)) (VP (VB watch) (NP (NP (NNP Game)) (PP (IN of) (NP (NNP Thrones)))) ) (. ?)))

哪个应该返回：

(NP (NP (NNP Game)) (PP (IN of) (NP (NNP Thrones))))

Answer 1

具体来说，三个词是可能的，但并不漂亮。对于 N 个单词，正则表达式的复杂性增加。请注意，这只是为了好玩（和正则表达式/鬼谷子教育）;实际上，我建议遵循其他人所说的：使用树解析库并操纵树。

str = "(ROOT (SQ (NNP Should) (NP (PRP I)) (VP (VB watch) (NP (NP (NNP Game)) (PP (IN of) (NP (NNP Thrones)))) ) (. ?)))"
re = /
  (?<tag>
    [A-Z]+
  ){0}
  (?<word>
    ( g<tag> s
    (?:
      [^()]+ |
      g<word>
    )
    )
  ){0}
  (?<word2>
    g<word> s g<word> |
    ( g<tag> s g<word2> )
  ){0}
  (?<word3>
    g<word> s g<word> s g<word> |
    g<word2> s g<word> |
    g<word> s g<word2> |
    ( g<tag> s g<word3> )
  ){0}
  ( NP s g<word3> )
/x;
puts str[re]
# => (NP (NP (NNP Game)) (PP (IN of) (NP (NNP Thrones))))

Answer 2

除非能够考虑所有可能的结构，否则我看不到使用正则表达式的方法。您所做的适用于简单情况，但正如您发现的那样，它因更深的嵌套结构而失败。我看到两个选项：

1. 从您在文本中遇到(NP的地方开始，阅读其他字符。保持括号的连续计数。看到(时加，看到)减去。当你达到零时，你已经到达了NP的尽头。

2. 使用 rubytree 解析树。提取由标签为 NP 的节点主导的所有子树。通过连接叶节点将子树转换回字符串形式。