nltk.wordnet.Lemma的count()方法返回值及统计逻辑疑问

问题背景 #

用户运行了以下代码：

from nltk.corpus import wordnet as wn

eat = wn.lemma('eat.v.03.eat')
print(eat.count())
print(help(eat.count))

得到输出：

4
Help on method count in module nltk.corpus.reader.wordnet:

count() method of nltk.corpus.reader.wordnet.Lemma instance
    Return the frequency count for this Lemma

None

用户提出以下疑问：输出中的“4”代表什么？是否表示lemma 'eat.v.03.eat'在词典中有4个条目？如何获取这些条目？此外，查看源码后发现该方法会在key_count文件中搜索key，想了解该方法的统计对象及key的含义。

疑问解答 #

1. 输出的“4”是什么意思？ #

这个数字不是词典条目数量，而是该lemma在标注语料（SemCor）中的出现频次——简单说，就是在人工标注了WordNet义项的语料里，这个特定的lemma（对应eat的第3个动词义项）被标注到的次数是4次。

2. 怎么获取这些对应的语料条目？ #

要找到包含这个lemma的实际语料句子，可以结合NLTK的SemCor语料库来查找，示例代码如下：

from nltk.corpus import semcor
from nltk.corpus.reader.wordnet import Lemma
from nltk.corpus import wordnet as wn

eat_lemma = wn.lemma('eat.v.03.eat')
# 遍历SemCor中带语义标注的句子
for tagged_sent in semcor.tagged_sents(tag='sem'):
    # 拆分句子中的每个元素，匹配目标lemma
    for elem in tagged_sent:
        if isinstance(elem, Lemma) and elem == eat_lemma:
            # 还原并打印完整句子
            raw_sent = ' '.join([word for word, _ in semcor.sents()[semcor.tagged_sents().index(tagged_sent)]])
            print(raw_sent)

运行这段代码会输出所有在SemCor中被标注为该lemma的句子。

3. count()的统计对象与key的含义 #

• 统计对象：count()方法统计的是目标lemma在SemCor语料库中的出现次数。SemCor是一个标注了WordNet义项的英文语料库，所有频次数据都来自这个语料的人工标注结果。
• key的含义：key_count文件里的key是WordNet lemma的唯一标识，格式为[词汇].[词性].[义项编号].[lemma名称]（比如你例子里的eat.v.03.eat）。每个key对应一个数值，就是该lemma在SemCor中被标注为对应义项的次数，count()方法就是读取这个文件里的对应数值返回给你。

内容的提问来源于stack exchange，提问作者jasonzhou