非深度学习方案下，如何为NLTK CCG词典生成明确论元数量的动词词条？

看起来你在半自动构建NLTK CCG词典的过程中，卡在了动词论元数量的分类上——毕竟NLTK的POS标签只关心动词的时态形式（VB/VBD/VBG这些），完全不区分它是不及物、及物还是双及物，这确实挺头疼的！下面给你几个不需要深度学习的实用方案：

一、借助预标注词汇资源映射 #

你可以用已经标注好动词论元结构的本地词汇资源（比如NLTK自带的WordNet），直接把动词映射到对应的CCG范畴。WordNet的动词词条会标注子类别（不及物/单及物/双及物），你可以写个简单的脚本完成映射：

from nltk.corpus import wordnet
from nltk import pos_tag

def get_ccg_verb_category(verb):
    # 把NLTK POS标签转成WordNet兼容的词性标记
    pos_map = {
        'VB': wordnet.VERB, 'VBD': wordnet.VERB,
        'VBG': wordnet.VERB, 'VBN': wordnet.VERB,
        'VBP': wordnet.VERB, 'VBZ': wordnet.VERB
    }
    # 获取动词的POS标签，匹配WordNet义项
    verb_pos = pos_tag([verb])[0][1]
    synsets = wordnet.synsets(verb, pos=pos_map.get(verb_pos, wordnet.VERB))
    
    if not synsets:
        return None  # 无匹配义项时返回空
    
    # 取第一个义项（通常是最常用的）的框架信息
    first_lemma = synsets[0].lemmas()[0]
    frame_ids = first_lemma.frame_ids()
    
    # WordNet框架ID对应论元结构：1=不及物，2=单及物，3=双及物
    if 1 in frame_ids:
        return 'VP'
    elif 2 in frame_ids:
        return 'TV :: VP/NP'
    elif 3 in frame_ids:
        return 'DTV :: TV/NP'
    else:
        return 'TV :: VP/NP'  # 默认单及物

# 测试示例
print(get_ccg_verb_category('arrive'))  # 输出 VP
print(get_ccg_verb_category('cook'))   # 输出 TV :: VP/NP
print(get_ccg_verb_category('give'))   # 输出 DTV :: TV/NP

注意：部分动词有多个义项，你可以调整逻辑，统计所有义项中出现最多的论元类型，进一步提高准确率。

二、基于句法规则的模式匹配 #

如果不想依赖外部词汇资源，你可以用NLTK的句法解析器（ constituency或依存解析器），通过分析动词在句子中的搭配成分来判断论元数量：

• 动词后无名词短语（NP）宾语 → 不及物动词 → VP
• 动词后有1个NP宾语 → 单及物动词 → TV :: VP/NP
• 动词后有2个NP（或1个NP+介词引导的间接宾语） → 双及物动词 → DTV :: TV/NP

示例代码（用NLTK的CoreNLP依存解析器，需本地启动CoreNLP服务）：

from nltk.parse import CoreNLPParser

# 初始化依存解析器（假设CoreNLP服务运行在本地9000端口）
dep_parser = CoreNLPParser(url='http://localhost:9000', tagtype='pos')

def judge_verb_arg_count(sentence):
    parsed_triples = next(dep_parser.raw_parse(sentence))
    verb_result = None
    
    for (gov, rel, dep) in parsed_triples:
        # 找到句子中的动词
        if gov[1].startswith('VB'):
            obj_count = 0
            # 统计直接宾语（dobj）和间接宾语（iobj）的数量
            for (g, r, d) in parsed_triples:
                if g == gov and r in ['dobj', 'iobj']:
                    obj_count += 1
            # 根据宾语数量映射到CCG范畴
            if obj_count == 0:
                verb_result = (gov[0], 'VP')
            elif obj_count == 1:
                verb_result = (gov[0], 'TV :: VP/NP')
            elif obj_count >= 2:
                verb_result = (gov[0], 'DTV :: TV/NP')
            break
    return verb_result

# 测试示例
print(judge_verb_arg_count('He arrives home'))       # 输出 ('arrives', 'VP')
print(judge_verb_arg_count('She cooks delicious dinner')) # 输出 ('cooks', 'TV :: VP/NP')
print(judge_verb_arg_count('I give him a new book')) # 输出 ('give', 'DTV :: TV/NP')

这个方法需要你用一定规模的语料测试规则，比如处理“give sth to sb”这类介词引导的间接宾语场景，但胜在完全基于句法结构，不需要额外词汇库。

三、优化你的“多候选验证”方案 #

如果上面两种方法都不适用，你可以优化原本的思路：给每个动词生成三个候选CCG范畴，然后用NLTK的CCG解析器验证，选择能生成合法解析树的范畴。这里有两个小技巧提升效率：

1. 优先尝试高频范畴：比如大部分动词是单及物，先尝试TV :: VP/NP，再试VP，最后试DTV :: TV/NP，减少无效验证。
2. 多句验证：用多个包含该动词的句子测试，比如某个动词在3个句子里都只能用TV范畴解析成功，就确定它属于TV，避免单句歧义影响结果。

备注：内容来源于stack exchange，提问作者SubFunction