我已经尝试过PorterStemmer和Snowball,但都无法在所有单词上使用,缺少一些非常常见的单词。
我的测试词是:“ 猫跑了仙人掌仙人掌社区仙人掌 ”,并且两人都获得了不到一半的权利。
也可以看看:
我已经尝试过PorterStemmer和Snowball,但都无法在所有单词上使用,缺少一些非常常见的单词。
我的测试词是:“ 猫跑了仙人掌仙人掌社区仙人掌 ”,并且两人都获得了不到一半的权利。
也可以看看:
Answers:
如果您了解Python,自然语言工具包(NLTK)具有使用WordNet的非常强大的lemmatizer 。
请注意,如果您是初次使用该词法分析器,则必须先下载该语料库,然后再使用它。这可以通过以下方式完成:
>>> import nltk
>>> nltk.download('wordnet')
您只需要执行一次。假设您现在已经下载了语料库,它的工作方式如下:
>>> from nltk.stem.wordnet import WordNetLemmatizer
>>> lmtzr = WordNetLemmatizer()
>>> lmtzr.lemmatize('cars')
'car'
>>> lmtzr.lemmatize('feet')
'foot'
>>> lmtzr.lemmatize('people')
'people'
>>> lmtzr.lemmatize('fantasized','v')
'fantasize'
nltk.stem模块中还有其他lemmatizers,但我自己还没有尝试过。
dies
,它将dy
代替die
。没有某种硬编码词干词典吗?
WordNetLemmatizer
错误地用词来形容的词是什么吗?
我使用斯坦福大学nlp进行词条还原。最近几天,我一直遇到类似的问题。感谢stackoverflow帮助我解决问题。
import java.util.*;
import edu.stanford.nlp.pipeline.*;
import edu.stanford.nlp.ling.*;
import edu.stanford.nlp.ling.CoreAnnotations.*;
public class example
{
public static void main(String[] args)
{
Properties props = new Properties();
props.put("annotators", "tokenize, ssplit, pos, lemma");
pipeline = new StanfordCoreNLP(props, false);
String text = /* the string you want */;
Annotation document = pipeline.process(text);
for(CoreMap sentence: document.get(SentencesAnnotation.class))
{
for(CoreLabel token: sentence.get(TokensAnnotation.class))
{
String word = token.get(TextAnnotation.class);
String lemma = token.get(LemmaAnnotation.class);
System.out.println("lemmatized version :" + lemma);
}
}
}
}
如果稍后在分类器中使用停用词来最大程度地减少输出引理,则也可能是一个好主意。请看一下John Conwell编写的coreNlp扩展。
我在这个雪球演示网站上尝试了您的术语列表,结果看起来还不错....
词干被认为可以将词的变形形式转化为某些共同的词根。使该词根成为“适当的”字典词并不是真正的工作。为此,您需要查看形态/正交分析仪。
我认为这个问题或多或少是同一件事,而Kaarel对这个问题的回答是我从第二个链接中获得的。
词干对词条还原器的争论还在继续。这是优先考虑精度而不是效率的问题。您应该进行词形化处理以实现语言上有意义的单元,并阻止使用最少的计算汁,并且仍然在同一键下索引单词及其变体。
参见词干机与引爆机
这是python NLTK的示例:
>>> sent = "cats running ran cactus cactuses cacti community communities"
>>> from nltk.stem import PorterStemmer, WordNetLemmatizer
>>>
>>> port = PorterStemmer()
>>> " ".join([port.stem(i) for i in sent.split()])
'cat run ran cactu cactus cacti commun commun'
>>>
>>> wnl = WordNetLemmatizer()
>>> " ".join([wnl.lemmatize(i) for i in sent.split()])
'cat running ran cactus cactus cactus community community'
WordNetLemmatizer
的lemmatize()
可以采取POS标签。所以从您的示例:" ".join([wnl.lemmatize(i, pos=VERB) for i in sent.split()])
给出'cat run run cactus cactuses cacti community communities'
。
pos=NOUN
?顺便说一句:很久
pos=VERB
您只会对动词进行词形化。名词保持不变。我只需要编写一些自己的代码即可围绕实际的Penn Treebank POS标签旋转,以对每个令牌应用正确的词形化。同样,WordNetLemmatizer
臭名昭著地使nltk的默认标记生成器变得模糊不清。因此,像这样的例子does n't
不会成为制约do not
。
port.stem("this")
产生thi
和port.stem("was")
wa
。
Martin Porter的官方页面包含PHP以及其他语言的Porter Stemmer。
如果您真的很想做好词干,尽管您需要从Porter Algorithm之类的东西入手,则可以通过添加规则来修复数据集中常见的不正确案例来完善它,最后为规则添加很多例外。这可以通过键/值对(dbm / hash / dictionaries)轻松实现,其中键是要查找的单词,而值是要替换原始单词的词干。我曾经研究过的一个商业搜索引擎最终以800个修改后的Porter算法的例外而告终。
http://wordnet.princeton.edu/man/morph.3WN
对于我的许多项目,我更喜欢基于词典的WordNet lemmatizer,而不是更具侵略性的porter干法。
http://wordnet.princeton.edu/links#PHP包含指向WN API的PHP接口的链接。
根据有关Stack Overflow的各种答案以及我遇到的博客,这是我正在使用的方法,而且看起来返回的真实单词相当好。这个想法是将传入的文本拆分成单词数组(使用您想要的任何一种方法),然后找到这些单词的词性(POS),并使用它来帮助词干和词素化。
您上面的示例不能很好地工作,因为无法确定POS。但是,如果我们使用一个真实的句子,那么效果会更好。
import nltk
from nltk.corpus import wordnet
lmtzr = nltk.WordNetLemmatizer().lemmatize
def get_wordnet_pos(treebank_tag):
if treebank_tag.startswith('J'):
return wordnet.ADJ
elif treebank_tag.startswith('V'):
return wordnet.VERB
elif treebank_tag.startswith('N'):
return wordnet.NOUN
elif treebank_tag.startswith('R'):
return wordnet.ADV
else:
return wordnet.NOUN
def normalize_text(text):
word_pos = nltk.pos_tag(nltk.word_tokenize(text))
lemm_words = [lmtzr(sw[0], get_wordnet_pos(sw[1])) for sw in word_pos]
return [x.lower() for x in lemm_words]
print(normalize_text('cats running ran cactus cactuses cacti community communities'))
# ['cat', 'run', 'ran', 'cactus', 'cactuses', 'cacti', 'community', 'community']
print(normalize_text('The cactus ran to the community to see the cats running around cacti between communities.'))
# ['the', 'cactus', 'run', 'to', 'the', 'community', 'to', 'see', 'the', 'cat', 'run', 'around', 'cactus', 'between', 'community', '.']
这看起来很有趣:MIT Java WordnetStemmer:http ://projects.csail.mit.edu/jwi/api/edu/mit/jwi/morph/WordnetStemmer.html
看看LemmaGen-用C#3.0编写的开源库。
测试词的结果(http://lemmatise.ijs.si/Services)
顶部Python包(在没有特定的顺序)的词形还原是:spacy
,nltk
,gensim
,pattern
,CoreNLP
和TextBlob
。我更喜欢spaCy和gensim的实现(基于模式),因为它们可以识别单词的POS标签并自动分配适当的引理。给出了更多相关的引理,使含义保持完整。
如果您打算使用nltk或TextBlob,则需要注意手动查找正确的POS标签和查找正确的引理。
spaCy的词法化示例:
# Run below statements in terminal once.
pip install spacy
spacy download en
import spacy
# Initialize spacy 'en' model
nlp = spacy.load('en', disable=['parser', 'ner'])
sentence = "The striped bats are hanging on their feet for best"
# Parse
doc = nlp(sentence)
# Extract the lemma
" ".join([token.lemma_ for token in doc])
#> 'the strip bat be hang on -PRON- foot for good'
Gensim的词法化示例:
from gensim.utils import lemmatize
sentence = "The striped bats were hanging on their feet and ate best fishes"
lemmatized_out = [wd.decode('utf-8').split('/')[0] for wd in lemmatize(sentence)]
#> ['striped', 'bat', 'be', 'hang', 'foot', 'eat', 'best', 'fish']
上面的例子是从这个词化页面借来的。
如果我可以引用我对StompChicken提到的问题的回答:
这里的核心问题是,词干算法在语音的基础上运行,而对它们所使用的语言没有真正的了解。
由于他们不了解该语言,并且不使用术语词典,因此他们无法识别和应对不规则的情况,例如“ run” /“ ran”。
如果需要处理不正常的案件,则需要选择其他方法,或者使用您自己的自定义更正词典来增强词干,以便在词干完成任务后运行。
NLTK中词干的最新版本是Snowball。
您可以在此处找到有关如何使用它的示例:
http://nltk.googlecode.com/svn/trunk/doc/api/nltk.stem.snowball2-pysrc.html#demo
您可以使用Morpha提取器。如果您打算在Java应用程序中使用UW,则UW已将morpha stemmer上传到Maven Central。有一个包装器,使它更容易使用。您只需要将其添加为依赖项并使用edu.washington.cs.knowitall.morpha.MorphaStemmer
该类。实例是线程安全的(原始JFlex不必要地具有用于局部变量的类字段)。实例化一个类并运行morpha
,然后您想阻止该单词。
new MorphaStemmer().morpha("climbed") // goes to "climb"
马丁·波特(Martin Porter)撰写了Snowball(一种用于词干算法的语言),并在Snowball中重写了“ English Stemmer”。有一个针对C和Java的英语词干。
他明确指出,仅出于历史原因才重新实施了Porter Stemmer ,因此对Porter Stemmer进行词干正确性测试将获得您(应该)已经知道的结果。
来自http://tartarus.org/~martin/PorterStemmer/index.html(重点是我的)
Porter词干提取器应被视为“已冻结 ”,即严格定义且不宜进行进一步修改。作为词干,它稍逊于衍生自它的Snowball English或Porter2词干,并且偶尔会进行改进。因此,在实际工作中,建议使用新的Snowball提取器。Porter提取器适用于IR研究工作,涉及需要严格重复实验的提取。
波特博士建议使用英语或Porter2词干分析器代替Porter词干分析器。英文茎干是演示站点中实际使用的,因为@StompChicken早先已回答。
在Java中,我使用tartargus-snowball阻止单词
Maven:
<dependency>
<groupId>org.apache.lucene</groupId>
<artifactId>lucene-snowball</artifactId>
<version>3.0.3</version>
<scope>test</scope>
</dependency>
样例代码:
SnowballProgram stemmer = new EnglishStemmer();
String[] words = new String[]{
"testing",
"skincare",
"eyecare",
"eye",
"worked",
"read"
};
for (String word : words) {
stemmer.setCurrent(word);
stemmer.stem();
//debug
logger.info("Origin: " + word + " > " + stemmer.getCurrent());// result: test, skincar, eyecar, eye, work, read
}
在这里尝试这个:http : //www.twinword.com/lemmatizer.php
我在演示中输入了您的查询,"cats running ran cactus cactuses cacti community communities"
并["cat", "running", "run", "cactus", "cactus", "cactus", "community", "community"]
带有可选标志ALL_TOKENS
。
样例代码
这是一个API,因此您可以从任何环境连接到它。这是PHP REST调用的样子。
// These code snippets use an open-source library. http://unirest.io/php
$response = Unirest\Request::post([ENDPOINT],
array(
"X-Mashape-Key" => [API KEY],
"Content-Type" => "application/x-www-form-urlencoded",
"Accept" => "application/json"
),
array(
"text" => "cats running ran cactus cactuses cacti community communities"
)
);
df_plots = pd.read_excel("Plot Summary.xlsx", index_col = 0)
df_plots
# Printing first sentence of first row and last sentence of last row
nltk.sent_tokenize(df_plots.loc[1].Plot)[0] + nltk.sent_tokenize(df_plots.loc[len(df)].Plot)[-1]
# Calculating length of all plots by words
df_plots["Length"] = df_plots.Plot.apply(lambda x :
len(nltk.word_tokenize(x)))
print("Longest plot is for season"),
print(df_plots.Length.idxmax())
print("Shortest plot is for season"),
print(df_plots.Length.idxmin())
#What is this show about? (What are the top 3 words used , excluding the #stop words, in all the #seasons combined)
word_sample = list(["struggled", "died"])
word_list = nltk.pos_tag(word_sample)
[wnl.lemmatize(str(word_list[index][0]), pos = word_list[index][1][0].lower()) for index in range(len(word_list))]
# Figure out the stop words
stop = (stopwords.words('english'))
# Tokenize all the plots
df_plots["Tokenized"] = df_plots.Plot.apply(lambda x : nltk.word_tokenize(x.lower()))
# Remove the stop words
df_plots["Filtered"] = df_plots.Tokenized.apply(lambda x : (word for word in x if word not in stop))
# Lemmatize each word
wnl = WordNetLemmatizer()
df_plots["POS"] = df_plots.Filtered.apply(lambda x : nltk.pos_tag(list(x)))
# df_plots["POS"] = df_plots.POS.apply(lambda x : ((word[1] = word[1][0] for word in word_list) for word_list in x))
df_plots["Lemmatized"] = df_plots.POS.apply(lambda x : (wnl.lemmatize(x[index][0], pos = str(x[index][1][0]).lower()) for index in range(len(list(x)))))
#Which Season had the highest screenplay of "Jesse" compared to "Walt"
#Screenplay of Jesse =(Occurences of "Jesse")/(Occurences of "Jesse"+ #Occurences of "Walt")
df_plots.groupby("Season").Tokenized.sum()
df_plots["Share"] = df_plots.groupby("Season").Tokenized.sum().apply(lambda x : float(x.count("jesse") * 100)/float(x.count("jesse") + x.count("walter") + x.count("walt")))
print("The highest times Jesse was mentioned compared to Walter/Walt was in season"),
print(df_plots["Share"].idxmax())
#float(df_plots.Tokenized.sum().count('jesse')) * 100 / #float((df_plots.Tokenized.sum().count('jesse') + #df_plots.Tokenized.sum().count('walt') + #df_plots.Tokenized.sum().count('walter')))