去除宫缩

Question

我想从英文散文的输入字符串中删除所有撇号，但保留原始含义和大小写，即

• 不是 - ＆gt;不是
• 我是 - ＆gt;我
• 他们是 - ＆gt;他们是
• 不应该 - >不应该
• 不能 - ＆gt;不能
• 约翰的 - ＆gt;约翰斯（足够好）

在java中实现此目的的最佳/最简单方法是什么？

Answer 1

有一个收缩字典Map<String, String>，用于将收缩映射到拼写出来的表格。因为撇号取代的内容没有单一的规则，所以这本词典接近了。

Answer 2

取代宫缩有一些硬性和快速的规则。只需要一个在字符串上执行这些功能的方法。

public String removeContractions(String inputString) { 

    inputString = inputString.replaceAll("n't", " not");
    inputString = inputString.replaceAll("'re", " are");
    inputString = inputString.replaceAll("'m", " am");
    inputString = inputString.replaceAll("'ll", " will");
    inputString = inputString.replaceAll("'ve", " have");

    return inputString;
}

这甚至可以保护你的所有权。

当然，有一些依赖于背景的收缩，例如he'd。这可能是“他可以”，“他愿意”，“他有”等等，因此不仅仅是简单的替代算法，还有更多机器学习领域。

public String removeControversialContractions(String inputString) {

    inputString = inputString.replaceAll("'d", " would");
    inputString = inputString.replaceAll("'s", "s");

    return inputString;
}

也许对于's，您可以检查包含它的单词是否以大写字母（表示名称）开头，并有条件地将其替换为s或is。然而，这不会在句子开头出现正常的收缩，所以......

如果你想要一个简单的和完美的方法，我不确定你会得到一个。要做这些更复杂的事情，你需要一个你经常参考的大字典文件或机器学习技术。