Python自然语言处理第二章-2.5WordNet（III）——更多词汇关系：部分、整体、集合、蕴含等

WordNet（III）——更多词汇关系：部分、整体、集合、蕴含等

0. 本节内容

• 从条目到部分（部件、实质）

  • part_holonyms()
  • substance_holonyms()

• 或从条目到包含它们的东西（整体）

  • part_meronyms( )
  • substance_meronyms( )
• 或从条目到集合
  
  • member_meronyms( )

特别注意：本文提到的部分方法在书中并没有括号，但是笔者在加了方法名后加了括号( )后才输出预期的结果，否则会输出类似这样的结果
还有记得导入：from nltk.corpus import wordnet as wn

1. 首先如何理解“部分（部件、实质）”，“整体”，“集合”呢？

书上的例子是这样的：

条目–部件（树–树干、树冠、等部件）——part_meronyms( )
条目-实质（芯材和边材）——substance_meronyms( )
条目–集合（森林）——member_holonyms( )

而对于树干、树冠，或者芯材与边材等等，其“整体”便是树本身。

如果一时理解的还不到位，可以考虑用 人 来做类似的解释：
部件：人——头、手、足、臂、心脏等等
实质：人——细胞、骨、皮肉、血等
集合：人——人群
整体便是一个人本身。
（不是医学的、可能分的不太准确，但是大致上可以这么理解的，这和上述的对 tree的分析逻辑是类似的，这些概念都是相对的）
关于部分，一个是从结构、部件这个角度，一个是从本质上、实质上去分析，这是理解的关键。

2. 那么如何理解这两组方法的关系呢（条目-部件，条目-整体）？

• holo有全息的含义，part_holonyms( ) 、substance_holonyms( )是指从部分到整体的方向；meronyms有部分名词的含义，part_meronyms( )、substance_meronyms( )是指从整体到部分的方向；
• part_holonyms( ) 、substance_holonyms( )与part_meronyms( )、substance_meronyms( )可以理解为两组逆方向的方法，可以看下图的分析;

3. 围绕词集 tree.n.01应的练习及对应关系如下

>>> wn.synset('tree.n.01').part_meronyms()#tree的部件（条目-部件）
[Synset('burl.n.02'), Synset('crown.n.07'), Synset('limb.n.02'), Synset('stump.n.01'), Synset('trunk.n.01')]
>>> wn.synset('tree.n.01').substance_meronyms()#tree的实质（条目-实质）
[Synset('heartwood.n.01'), Synset('sapwood.n.01')]
>>> wn.synset('tree.n.01').member_holonyms()#tree集合是森林
[Synset('forest.n.01')]
>>> wn.synset('burl.n.02').part_holonyms()#由上边第一行代码的输出结果可知'burl.n.02'是'tree.n.01'的一个部件，因此burl的整体是tree无疑
[Synset('tree.n.01')]
>>> wn.synset('heartwood.n.01').substance_holonyms()#同理，heartwood是tree的一个实质，其整体也是tree无疑
[Synset('tree.n.01')]
>>>

4. 其他词汇关系：蕴含、反义词

蕴含：entailments()

以上的分析多是针对名词，对于动词，也存在关系。这里只有列出了一种蕴含的关系：
entailments()方法，同样由一个词集调用：

>>> wn.synset('walk.v.01').entailments()#走路蕴含着抬脚
[Synset('step.v.01')]

反义词：antonyms()

由一个词条调用：wn.lemma(‘supply.n.02.supply’)

>>> wn.lemma('supply.n.02.supply').antonyms()
[Lemma('demand.n.02.demand')]
>>>

注意所用词语的词性，笔者试着对形容词取反义词：

>>> wn.lemma('hot.a.01.hot').antonyms()#hot对cold，中间的词性标记为a，而不是n或v
[Lemma('cold.a.01.cold')]
>>>

也可以试着测试更多的词汇，但是由于不清楚具体的词汇结构，可能有的测试不是你想的那样~，多测测总是好玩的~

PS：如有错误，欢迎大家指正，一起学习~，还在摸索学习中，持续更新~~