用于解析体育比赛数据的自然语言解析器

Question

我正在尝试设计一个足球比赛的解析器。我在这里非常宽松地使用“自然语言”一词，所以请耐心等待，因为我对这个领域知之甚少甚至一无所知。

以下是我正在使用的一些示例 （格式：TIME|DOWN&DIST|OFF_TEAM|DESCRIPTION）：

04:39|4th and 20@NYJ46|Dal|Mat McBriar punts for 32 yards to NYJ14. Jeremy Kerley - no return. FUMBLE, recovered by NYJ.|
04:31|1st and 10@NYJ16|NYJ|Shonn Greene rush up the middle for 5 yards to the NYJ21. Tackled by Keith Brooking.|
03:53|2nd and 5@NYJ21|NYJ|Mark Sanchez rush to the right for 3 yards to the NYJ24. Tackled by Anthony Spencer. FUMBLE, recovered by NYJ (Matthew Mulligan).|
03:20|1st and 10@NYJ33|NYJ|Shonn Greene rush to the left for 4 yards to the NYJ37. Tackled by Jason Hatcher.|
02:43|2nd and 6@NYJ37|NYJ|Mark Sanchez pass to the left to Shonn Greene for 7 yards to the NYJ44. Tackled by Mike Jenkins.|
02:02|1st and 10@NYJ44|NYJ|Shonn Greene rush to the right for 1 yard to the NYJ45. Tackled by Anthony Spencer.|
01:23|2nd and 9@NYJ45|NYJ|Mark Sanchez pass to the left to LaDainian Tomlinson for 5 yards to the 50. Tackled by Sean Lee.|

到目前为止，我已经编写了一个愚蠢的解析器，可以处理所有简单的内容（playID、季度、时间、down&距离、进攻球队）以及一些脚本获取这些数据并将其整理为上面看到的格式。单行变成一个“播放”对象并存储到数据库中。

这里最困难的部分（至少对我来说）是解析该剧的描述。以下是我想从该字符串中提取的一些信息：

示例字符串：

"Mark Sanchez pass to the left to Shonn Greene for 7 yards to the NYJ44. Tackled by Mike Jenkins."

结果：

turnover = False
interception = False
fumble = False
to_on_downs = False
passing = True
rushing = False
direction = 'left'
loss = False
penalty = False
scored = False
TD = False
PA = False
FG = False
TPC = False
SFTY = False
punt = False
kickoff = False
ret_yardage = 0
yardage_diff = 7
playmakers = ['Mark Sanchez', 'Shonn Greene', 'Mike Jenkins']

我最初的解析器的逻辑是这样的：

# pass, rush or kick
# gain or loss of yards
# scoring play
    # Who scored? off or def?
    # TD, PA, FG, TPC, SFTY?
# first down gained
# punt?
# kick?
    # return yards?
# penalty?
    # def or off?
# turnover?
    # INT, fumble, to on downs?
# off play makers
# def play makers

描述可能会变得非常复杂（多次摸索和恢复以及惩罚等）我想知道我是否可以利用一些 NLP 模块。我很可能会花几天时间在像解析器这样的哑/静态状态机上，但如果有人对如何使用 NLP 技术来处理它有建议，我想听听他们的建议。

Answer 1

我认为 pyparsing 在这里会非常有用。

您的输入文本看起来非常规则（与真正的自然语言不同），而 pyparsing 在这方面非常擅长。你应该看看它。

例如，要解析以下句子：

Mat McBriar punts for 32 yards to NYJ14.
Mark Sanchez rush to the right for 3 yards to the NYJ24.

您可以使用类似的内容定义一个解析句子（在文档中查找确切的语法）：

name = Group(Word(alphas) + Word(alphas)).setResultsName('name')

action = Or(Exact("punts"),Exact("rush")).setResultsName('action') + Optional(Exact("to the")) + Or(Exact("left"), Exact("right")) )

distance = Word(number).setResultsName("distance") + Exact("yards")

pattern = name + action + Exact("for") +  distance + Or(Exact("to"), Exact("to the")) + Word() 

并且 pyparsing 将使用此模式破坏字符串。它还将返回一个字典，其中包含从句子中提取的项目名称、动作和距离。

Answer 2

我认为 pyparsing 会工作得很好，但基于规则的系统非常脆弱。所以，如果你超越足球，你可能会遇到一些麻烦。

我认为对于这种情况更好的解决方案是词性标注器和球员姓名、位置和其他运动术语的词典（阅读词典）。将其放入您最喜欢的机器学习工具中，找出好的功能，我认为它会做得很好。

NTLK 是 NLP 的一个很好的起点。不幸的是，这个领域还不是很发达，也没有一个像 bam 那样简单、简单、解决问题的工具。