本文详细介绍了WordNet的数据文件格式，包括index.pos和data.pos，主要涉及词性、同义词集合数量、指针符号等内容。WordNet是词汇语义网络，用于存储和检索词汇的多种意义和关系。通过index.pos可以快速找到词汇的语义解释，而data.pos则包含更详细的同义词集合信息和词义描述。
2021-11-7
一、wordnet的文件格式
- wordnet包括两种基本数据文件：index.pos 和data.pos，其中pos包括noun、verb、adj和adv，分别对应名词、动词、形容词和副词。
WordNet中所有词的索引文件，通过Index.pos，可以直接找到每个词汇对应的synset_offsets，从而快速地得到待搜索词的语义解释。 - Index.pos文件格式
每个index文件头都有几行包括版权说明、版本号以及使用许可协议的文字，这些行都由两个空格和所对应行号开头，以方便程序处理。文件正文每一行都遵从以下的格式：
lemma pos synset_cnt p_cnt [ptr_symbol…] sense_cnt tagsense_cnt
synset_offset [synset_offset…]
lemma处于语义树底层的单词或短语。其中短语各单词之间用“_”进行分割。
- pos 词性，n名词、v动词、a形容词、r副词
synset_cnt
lemma所属同义词集合（synsets）的数量。即这个词在WordNet中的义项数目
。
p_cnt
lemma在所有所属同义词集合（synset）中与其他同义词集合发生关联的数量。
ptr_symbol
emma与其他同义词集合发生语义关联的类别列表，如果lemma与所有其他同义词集合都没有语义关联，则此部分为空，且p_cnt为0。
sense_cnt
和上面的synset_cnt一样，这里的重复只是为了兼容性考虑
tagsense_cnt
lemma的此义项在本身多义项中根据其在文本中出现的频次的排名
synset_offset
lemma所属同义词集合（synset）编号
- 每个data文件头都有几行包括版权说明、版本号以及使用许可协议的文字，这些行都由两个空格和所对应行号开头，以方便程序处理。文件正文每一行都遵从以下的格式：
synset_offset lex_filenum ss_type w_cnt word lex_id [wordlex_id…] p_cnt [ptr…] [frames…] |gloss
synset_offset
扫一扫
2229
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
