Python NLP：如何使用nltk从文本文件提取中间项为形容词的三元组

需求说明 #

从文本文件中识别「限定词/冠词 + 形容词 + 名词」结构的三元组，中间项固定为形容词。

示例输入文本：A red ball was with the good boy.
预期输出：

('A','red','ball'), ('the','good','boy')

前置准备 #

• 安装nltk库

pip install nltk

• 下载nltk所需的分词和词性标注数据包

import nltk
nltk.download('punkt')
nltk.download('averaged_perceptron_tagger')

实现逻辑 #

1. 读取目标文本文件内容
2. 对文本进行分词处理
3. 对分词结果进行词性标注
4. 用长度为3的滑动窗口遍历标注结果，匹配以下规则：
   • 第一个词词性为限定词（DT，对应冠词、指示代词等）
   • 中间词词性为形容词（通用形容词对应JJ，如果需要包含比较级、最高级可追加JJR、JJS）
   • 第三个词词性为名词（通用名词对应NN，如果需要包含复数名词、专有名词可追加NNS、NNP、NNPS）
5. 收集所有匹配的三元组，按要求格式输出

完整实现代码 #

import nltk
from nltk.tokenize import word_tokenize
from nltk import pos_tag

def extract_adj_triples(file_path):
    # 读取文本文件
    with open(file_path, 'r', encoding='utf-8') as f:
        text = f.read()
    # 分词+词性标注
    tokens = word_tokenize(text)
    tagged = pos_tag(tokens)
    triples = []
    # 滑动窗口遍历
    for i in range(len(tagged) - 2):
        w1, pos1 = tagged[i]
        w2, pos2 = tagged[i+1]
        w3, pos3 = tagged[i+2]
        # 匹配规则，可根据需求调整词性范围
        if pos1 == 'DT' and pos2 == 'JJ' and pos3 == 'NN':
            triples.append((w1, w2, w3))
    # 格式化输出
    output = ', '.join([str(t) for t in triples])
    return output

# 调用示例，替换为你的文本文件路径
if __name__ == "__main__":
    result = extract_adj_triples("test.txt")
    print(result)

测试效果 #

将示例文本存入test.txt文件，运行代码后输出如下：

('A', 'red', 'ball'), ('the', 'good', 'boy')

自定义调整说明 #

• 如需匹配形容词比较级/最高级，可将pos2 == 'JJ'修改为pos2 in ['JJ', 'JJR', 'JJS']
• 如需匹配复数名词、专有名词，可将pos3 == 'NN'修改为pos3 in ['NN', 'NNS', 'NNP', 'NNPS']

内容的提问来源于stack exchange，提问作者Sky_7