Làm cách nào để có được kết quả phân tích cú pháp phụ thuộc chính xác như bản trình diễn trực tuyến?

Question

Làm thế nào tôi có thể lập trình có được cùng một phân tích phụ thuộc bằng cách sử dụng stanford corenlp như đã thấy trong bản demo trực tuyến?

Tôi đang sử dụng gói corenlp để có được phân tích phụ thuộc cho câu sau đây.

Nhân viên chăm sóc sức khỏe thứ hai ở Texas xét nghiệm dương tính với Ebola, nhà chức trách nói.

tôi cố gắng để có được những phân tích cú pháp lập trình bằng cách sử dụng đoạn mã sau

  Properties props = new Properties(); 
      props.put("annotators", "tokenize, ssplit, pos, lemma, ner, parse, dcoref"); 
      StanfordCoreNLP pipeline = new StanfordCoreNLP(props); 

      String text = "Second healthcare worker in Texas tests positive for Ebola , authorities say ."; // Add your text here! 
      Annotation document = new Annotation(text); 
      pipeline.annotate(document); 
      String[] myStringArray = {"SentencesAnnotation"}; 
      List<CoreMap> sentences = document.get(SentencesAnnotation.class); 
      for(CoreMap sentence: sentences) { 
       SemanticGraph dependencies = sentence.get(BasicDependenciesAnnotation.class); 
       IndexedWord root = dependencies.getFirstRoot(); 
       System.out.printf("root(ROOT-0, %s-%d)%n", root.word(), root.index()); 
       for (SemanticGraphEdge e : dependencies.edgeIterable()) { 
        System.out.printf ("%s(%s-%d, %s-%d)%n", e.getRelation().toString(), e.getGovernor().word(), e.getGovernor().index(), e.getDependent().word(), e.getDependent().index()); 
       } 
      } 

    } 

tôi nhận được đầu ra sau đây bằng cách sử dụng corenlp stanford 3.5.0 gói.

root(ROOT-0, worker-3) 
amod(worker-3, Second-1) 
nn(worker-3, healthcare-2) 
prep(worker-3, in-4) 
amod(worker-3, positive-7) 
dep(worker-3, say-12) 
pobj(in-4, tests-6) 
nn(tests-6, Texas-5) 
prep(positive-7, for-8) 
pobj(for-8, ebola-9) 
nsubj(say-12, authorities-11) 

Nhưng bản trình diễn trực tuyến đưa ra một câu trả lời khác với dấu chấm trong từ phân tích cú pháp.

amod(worker-3, Second-1) 
nn(worker-3, healthcare-2) 
nsubj(tests-6, worker-3) 
prep(worker-3, in-4) 
pobj(in-4, Texas-5) 
ccomp(say-12, tests-6) 
acomp(tests-6, positive-7) 
prep(positive-7, for-8) 
pobj(for-8, Ebola-9) 
nsubj(say-12, authorities-11) 
root(ROOT-0, say-12) 

Làm cách nào để giải quyết đầu ra của tôi phù hợp với demo trực tuyến?

Answer 1

Lý do cho đầu ra khác nhau là nếu bạn sử dụng parser demo, phân phối trình phân tích cú pháp độc lập đang được sử dụng và mã của bạn sử dụng toàn bộ phân phối CoreNLP. Mặc dù cả hai đều sử dụng cùng một trình phân tích cú pháp và cùng một mô hình, cấu hình mặc định của CoreNLP chạy trình gắn thẻ một phần lời nói trước khi chạy trình phân tích cú pháp và trình phân tích cú pháp kết hợp thông tin POS có thể dẫn đến các kết quả khác nhau trong một số trường hợp.

Để có được kết quả tương tự bạn có thể vô hiệu hóa các tagger POS bằng cách thay đổi danh sách các annotators:

props.put("annotators", "tokenize, ssplit, parse, lemma, ner, dcoref"); 

Lưu ý, tuy nhiên, bổ đề, ner và annotators dcoref tất cả các yêu cầu thẻ POS, vì vậy bạn phải thay đổi thứ tự của các chú thích.

Ngoài ra còn có CoreNLP demo nên luôn tạo ra cùng một đầu ra như mã của bạn.