regex - 正規表現を使用して句構造ツリーのリーフノードを抽出する

Question

Javaで正規表現を使用して、文または句構造ツリーのリーフノードを抽出したいと思います。たとえば、「これは簡単な文です」という文を与えます。

構文情報があります

入力： (ROOT (S (NP (DT This)) (VP (VBZ is) (NP (DT an) (JJ easy) (NN sentence))) (. .)))

正規表現を使用して葉のノードを抽出したい

出力：

DT This
VBZ is
DT an
JJ easy
NN sentence
.  .

Answer 1

ネストされたブラケットがない場合は、これを使用できます。

(?<=\()[^()]+(?=\))

こちらの Regexrを参照してください。

(?<=\()マッチの前に「(」を保証する後読みアサーションです。

(?=\))一致後に ")" を保証する先読みアサーションです。

[^()]+(1 つ以上の) 任意の文字に一致しますが、丸かっこに一致します。

Answer 2

この質問に関連付けられたタグに基づいてスタンフォード NLP を使用していると仮定します。

もっと簡単な方法は、Tree クラスで組み込みメソッドgetLeaves()を使用することです。

Answer 3

必要な正規表現は\(([^ ]+) +([^()]+)\)

\(開き括弧、
([^ ]+)次にスペース以外の 1 つ以上の文字 (グループ #1 と呼ぶ)、
 +1 つ以上のスペース、
([^()]+)次に角括弧以外の 1 つ以上の文字 (グループ #2 と呼ぶ) に
\)一致します。最後に閉じ括弧。

Java で使用するには、クラスでパターンをプリコンパイルします。

static final Pattern leaf = Pattern.compile("\\(([^ ]+) +([^()]+)\\)");

次に、すべての入力文字列に対してマッチャーを作成し、その find メソッドをループします。

Matcher m = leaf.matcher(input);
while (m.find()) {
    // here do something with each leaf,
    // where m.group(1) is the node type (DT, VBZ...)
    // and m.group(2) is the word
}