一. 获取文本语料库
1. 古腾堡语料库
古腾堡语料库:包含古腾堡项目电子文本档案的一小部分文本,该项目大约有25000(现在是36000)本免费电子书。(文学类,比较正式的语言)
raw()函数:能在没有进行过任何语言学处理之前把文件的内容分析出来。
sents()函数: 把文本划分位一个句子,其中每一个句子是一个词链表。
words()函数:返回词数。
获取:from nltk.corpus import gutenberg
写一段简短的程序,通过循环遍历前面所列出与gutenberg文件标识符相应的fileid,然后计算统计每个文本。统计量:平均词长、平均句子长度、和本文中每个词出现的平均次数(词汇多样性)。
2.网络与聊天文本
网络与聊天文本(非正式):Firefox交流论坛、在纽约无意间听到的对话、《加勒比海盗》的电影剧本、个人广告和葡萄酒的评论。
获取: from nltk.corpus import webtext
还有一个即时消息聊天会话语料库,最初由美国海军研究生院为研究自动检测互联网入侵者而收集的。
获取:from nltk.corpus import nps_chat