ryfan-rs/tools_for_corpus_of_people_daily

人民日报语料处理工具集 | Tools for Corpus of People's Daily

人民日报语料库处理工具集

包含人民日报语料相关的处理脚本。 输出的格式为 CoNLL-U 格式

处理流程

• 文件编码格式转换

• 解析并转化语料库

这里详细介绍一下 解析并转化语料库 这一部分

解析语料库

因为原始的人民日报语料库格式存在嵌套语法等，导致其难以用规则的方法解析，这里使用了基于 ply 的 lex + yacc 的语法解析方案。

转换语料库（仅应用于 NER 数据）

1. 1998语料库标注人名时，将姓和名分开标注，因此需要合并姓名，比如 王/nrf 小明/nrg 应该合并成 王小明/nr

2. 中括号括起来的几个词表示大粒度分词，表意能力更强，需要将括号内内容合并，比如 [**/n 人民/n 广播/vn 电台/n]nt 应该合并成 **人民广播电台/nt

3. 时间合并，例如将”1997年/t 3月/t” 合并成”1997年3月/t”

4. 全角字符统一转为半角字符，尤其是数字的表示，比如：1９９８年/t 应该转换成 1998年/t

使用

预料下载

人民日报语料库是版权材料，本仓库不提供原始的人民日报语料库，但是用户登录官方网站后可以自行下载（任何人都可以注册）。

请访问 现代汉语多级加工语料库, 注册用户后方可下载语料库。 请下载 5-199801基本标注语料库-2003年版规范-20170612.rar ，解压缩后将文件 1998-01-2003版-带音.txt 放置到 ./data 目录下。

运行脚本

环境要求：python >= 3.5

转换文件编码

原始文件采用的是 gbk，需要将其转换成 utf-8 编码

python ./convert_encoding.py

解析并转化语料库

将原始的语料库格式解析并转换成类似 CoNLL-U 格式

python ./parse_data.py

运行结束后，将得到文件 ./data/xxx.conllu

默认情况下，运行此文件将得到两个文件：data_False-True-True-False-False-False-False.conllu 和 data_False-True-True-True-True-True-False.conllu

文件名中的 True False 对应着选项 merge_sub_token、remove_geta_symbol、extract_first_token_as_document_id、merge_family_name、merge_time、replace_double_byte_punctuation 和 output_doc_id 的启用或者关闭。

data_False-True-True-False-False-False-False.conllu 是为了后续分词任务而准备的，它关闭了某些合并操作。

data_False-True-True-True-True-True-False.conllu 是为了后续 ENR 任务而准备的，它应用了某些合并操作。

CoNLL-U 格式介绍

TODO @ http://universaldependencies.org/format.html

分割 train / dev / test

python ./split_data.py

默认按照 train 90% / dev 0% / test 10% 做的分割，所得到的文件分别为 train.conllu dev.conllu test.conllu ，位于 ./data/split_data 目录中。

命名实体识别

原始的人民日报语料库中不包含实体信息，但是有 POS 信息，根据人民日报语料库的标注标准，特定类别的名词被标记成了特殊的 POS, 因此可以利用这些信息来完成提取实体的工作。 根据1998语料库的词性标记说明，词性标记：t、nr、ns 和 nt 依次对应的实体是时间（DATE）、人名（PERSON）、地名（GPE）、组织机构名（ORG, organization）。

本项目的 NER 标记系统支持: * BILUO，在 The BILUO Scheme 中详细的介绍了这个标记系统。 * BIO, 在 Coding Chunkers as Taggers: IO, BIO, BMEWO, and BMEWO+ 中详细的介绍了这个标记系统。

默认使用的 BIO 系统。

CRF++ 格式

CRF++ 系统所需的格式与 CoNLL-U 格式不太一致，需要经过转换。

基于词（word)的 NER

python ./conll_to_crfpp.py

所得到的文件位于 ./data/split_crfpp 目录中。

所得文件样例如下：

基于字（char)的 NER

python ./conll_to_char_crfpp.py

所得到的文件位于 ./data/split_char_crfpp 目录中。

所得文件样例如下：

中文分词

空白分割格式

python ./split_data_to_token.py

所得到的文件分别为 train.txt dev.txt test.txt ，位于 ./data/split_token 目录中。

CRF++ 格式

python ./split_token_to_token_conll.py

所得到的文件分别为 train.txt dev.txt test.txt ，位于 ./data/split_conll 目录中。

致谢

转换语料库 部分参考了文章 达观数据如何打造一个中文NER系统 的内容

参考文献

• 达观数据如何打造一个中文NER系统

• 使用Python转换全角字符串为半角

• python实现全角半角的相互转换