提取與文本語料庫日期相關的日期和事件

Question

我目前正在運行pyhton代碼，該代碼遍歷文本文件的每一行並解析日期行。如果它在行中找到日期，則該行將被複制到新的輸出文件。 我正在對100個文檔重複這個過程，最後我得到一個輸出文件，其中包含具有日期的行，如「2013，2014年8月，01-11-1987等」。

問題在於它沒有提供與某些日期相關的事件的準確信息。

有沒有更優雅的方法來解決這個問題？ 下面是在我試圖提取事件日期2010年12月

臺北的文件是各主要城市和縣之間的競爭最激烈的地方，根據當地雜誌昨天公佈的一項研究。 「全球視野」雜誌的研究評估了臺北在經濟，就業，教育，環境保護，公共安全，醫療保健和地方財政等各個類別中的排名第一。 就整體競爭力而言，臺北是第一位，其次是新竹市，嘉義市和新北。 全球視野評論說，臺北由中央政府資助的超過60年的特權開發項目在可預見的未來仍將不會受到挑戰。 臺北和新北是臺灣五大特別市鎮中的兩個，但另外三個 - 臺中，臺南和高雄 - 雖然比大多數其他地方政府擁有更多資源，但在研究中未能獲得好評。 臺中排名第七，臺南排名第十二，高雄排名第十九。 2010年12月，三個特別市鎮通過合併鄰縣而增長到現在的規模。但Global View表示，兼併削弱了他們的競爭力。 但是在經濟競爭力方面，所有五個特別市鎮都位居前十位。 底部是屏東縣農業局。但另外一個農業縣臺東，由於其犯罪率低居前10位，居第8位。

正如你可以看到，當我解析包含2010年12月行我真的不獲得任何有意義的信息 但實際上存在被合併nneighbouring縣的一個重大事件。 這不會被捕獲。因此，我需要知道是否有任何的算法/庫，它可以幫助我捕捉到已發生的特定日期

感謝

Answer 1

我建議你嘗試一下NLTK庫蟒蛇事件。你可以在這裏得到它，這裏也有一些基本的手冊： http://www.nltk.org/book/ch07.html

它有大量的算法從文本中提取含義。它也有一些模塊允許你：

1）提取實體 2）提取日期 3）建立提取的實體和日期之間的關係。

我建議你要注意timex.py模塊NLTK庫： https://github.com/nltk/nltk_contrib/blob/master/nltk_contrib/timex.py

它主要是建立來標記的日期和時間的文本。

這裏是指導提取實體關係： http://www.nltk.org/howto/relextract.html

所以我beleive，你可以從文本中提取有趣的實體（如你所提到的情況下），你可以提取日期爲另一組實體，並使用NLTK可以建立這些提取的實體之間的關係。因此，你應該得到你需要的東西 - 什麼時候發生。