NLTK punkt的训练数据格式

Question

我想跑nltk Punkt分句。没有训练模型，因此我将单独训练模型，但是我不确定我使用的训练数据格式是否正确。

我的训练数据是每行一句话。我找不到与此有关的任何文档，只有此线程（https://groups.google.com/forum/#!topic/nltk-
users/bxIEnmgeCSM
）揭示了一些有关训练数据格式的信息。

NLTK Punkt句子标记器的正确训练数据格式是什么？

Answer 1

嗯，是的，Punkt令牌生成器是神奇的无监督语句边界检测。作者的姓氏也很酷，Kiss and
Strunk（2006）
。这个想法是使用
NO注释 来训练句子边界检测器，因此输入将是 任何种类的纯文本 （只要编码是一致的）。

要训​​练新模型，只需使用：

import nltk.tokenize.punkt
import pickle
import codecs
tokenizer = nltk.tokenize.punkt.PunktSentenceTokenizer()
text = codecs.open("someplain.txt","r","utf8").read()
tokenizer.train(text)
out = open("someplain.pk","wb")
pickle.dump(tokenizer, out)
out.close()

为了获得更高的精度并允许您随时停止培训，并且仍然为标记生成器保留适当的泡菜，请查看以下用于训练德语句子标记生成器的代码段：https：//github.com/alvations/DLTK/blob/
master / dltk / tokenize /
tokenizer.py：

def train_punktsent(trainfile, modelfile):
  """ Trains an unsupervised NLTK punkt sentence tokenizer. """
  punkt = PunktTrainer()
  try:
    with codecs.open(trainfile, 'r','utf8') as fin:
      punkt.train(fin.read(), finalize=False, verbose=False)
  except KeyboardInterrupt:
    print 'KeyboardInterrupt: Stopping the reading of the dump early!'
  ##HACK: Adds abbreviations from rb_tokenizer.
  abbrv_sent = " ".join([i.strip() for i in \
                         codecs.open('abbrev.lex','r','utf8').readlines()])
  abbrv_sent = "Start"+abbrv_sent+"End."
  punkt.train(abbrv_sent,finalize=False, verbose=False)
  # Finalize and outputs trained model.
  punkt.finalize_training(verbose=True)
  model = PunktSentenceTokenizer(punkt.get_params())
  with open(modelfile, mode='wb') as fout:
    pickle.dump(model, fout, protocol=pickle.HIGHEST_PROTOCOL)
  return model

但是请注意，周期检测 对拉丁句号，问号和感叹号非常敏感
。如果您要为不使用拉丁语拼字法的其他语言训练punkt令牌生成器，则需要以某种方式修改代码以使用适当的句子边界标点符号。如果您使用的是NLTK的punkt实现，请编辑sent_end_chars变量。

除了使用的“默认”英语令牌生成器外，还有其他可用的预训练模型nltk.tokenize.sent_tokenize()。它们在这里：https
:
//github.com/evandrix/nltk_data/tree/master/tokenizers/punkt

请注意，由于nltk_data上面列出的github存储库已被删除，因此预训练模型当前不可用。