java - 使用Tregex为Stanford Parser提取与连词连接的VP/NP

我想根据连词和逗号分割树。例如，当我有VP and VP或NP and NP或VP, VP或NP,NP时，我想分别提取每个VP或NP。我有以下代码：

 List<Tree> subtrees = constituent.subTreeList();

                for (int i = 0; i < subtrees.size(); i++) {
                    String s = "@VP $+ CC $+ @VP";
                    TregexPattern p = TregexPattern.compile(s);
                    TregexMatcher m = p.matcher(subtrees.get(i));
                    while (m.find()) {
                        m.getMatch().pennPrint();
                        Tree foundTree = m.getMatch();
                        System.out.println(m.getMatch());
                    }
                }

但这不适用于以下文本。我的代码有什么问题？

(VP (VP (VB manage) (NP (NP (DT the) (JJ entire) (NN life) (NN cycle)) (PP (IN of) (NP (PRP$ your) (NNS APIs))))) (CC and) (VP (VB expose) (NP (PRP$ your) (NNS APIs)) (PP (TO to) (NP (JJ third-party) (NNS developers)))))

最佳答案

这里的主要问题是链式Tregex关系（遵循tgrep和tgrep2的传统）具有特殊的非关联语义：A r1 B r2 C [r3 D]表示A r1 B和A r2 C和A r3 D。 （对于A < B < C的核心用例，这通常是有意义的，这意味着A节点具有B和C子代。要进行另一个分组，您需要使用括号。尤其是，您想要的模式是"@VP $+ (CC $+ @VP)"。

在关系列表下的Tregex Javadoc中对此进行了记录，但是我意识到这是一个容易犯的错误，特别是因为相对于典型的数学或编程语言表达式而言，语义是非常不标准的。

如@dantiston所述，还有其他一些改进。与常规的正则表达式一样，您应该只在循环外编译一次模式。而且，让Tregex遍历树的节点而不是构造所有子树的完整列表，会比您更好。这是一些很好的示例代码：

Tree t2 = Tree.valueOf("(VP (VP (VB manage) (NP (NP (DT the) (JJ entire) (NN life) (NN cycle)) (PP (IN of) (NP (PRP$ your) (NNS APIs))))) (CC and) (VP (VB expose) (NP (PRP$ your) (NNS APIs)) (PP (TO to) (NP (JJ third-party) (NNS developers)))))");
List<Tree> trees = Collections.singletonList(t2);

String s = "@VP $+ (@CONJP|CC $+ @VP)";
TregexPattern p = TregexPattern.compile(s);
for (Tree t : trees) {
  TregexMatcher m = p.matcher(t);
  while (m.findNextMatchingNode()) {
    Tree foundTree = m.getMatch();
    System.out.println(foundTree);
  }
}