如何在词性标注文本中正向匹配极性（是非）疑问句

核心思路是通过负向全局断言限制动词前的所有token词性不触发排除规则，无需配合invert = TRUE即可直接命中目标语料。

匹配逻辑说明 #

我们要确保：从句子开头到第一个动词（词性匹配_V[BDH]规则）出现之前，不存在任何符合以下特征的token：

• 词性以Q结尾（疑问词）
• 词性以P开头（人称代词）
• 词性以D开头（指示代词）

正向匹配正则及代码 #

# 正向匹配正则模式
p_positive <- "^(?:(?!_[PQD]|_.*Q$)[^\\s]+\\s)*?[^\\s]+_V[BDH]"

# 直接匹配目标语料
grep(p_positive, df$c7, value = TRUE, perl = TRUE)

输出结果 #

[1] "holy_JJ shit_NN1 does_VDZ it_PPH1 happen_VVI"
[2] "are_VBR the_AT pictures_NN2 nice_JJ"         
[3] "does_VDZ n't_XX it_PPH1"

和你之前用invert = TRUE得到的结果完全一致。

正则规则拆解 #

• ^：匹配句子开头
• (?:(?!_[PQD]|_.*Q$)[^\\s]+\\s)*?：非捕获分组，惰性匹配任意多个符合要求的token：
  • (?!_[PQD]|_.*Q$)：负向先行断言，排除词性以P/D开头、或以Q结尾的token
  • [^\\s]+\\s：匹配单个完整token及后面的空格
• [^\\s]+_V[BDH]：匹配第一个符合要求的动词token，确保前面的所有token都通过了排除校验

内容的提问来源于stack exchange，提问作者Chris Ruehlemann