Question

我一直在测试不同的python lemmatizers作为我正在构建的解决方案。我遇到的一个难题是，词干提取器生成的非英语单词不适用于我的用例。尽管词干提取器正确地将“政治”和“政治”归于同一词干，但我想使用词形修饰符来做到这一点，但是spacy和nltk却对“政治”和“政治”使用了不同的词。有谁知道更强大的lemmatizer？我理想的解决方案如下所示：

from nltk.stem import WordNetLemmatizer

lemmatizer = WordNetLemmatizer()

print("political = ", lemmatizer.lemmatize("political"))
print("politics = ", lemmatizer.lemmatize("politics"))

返回：

political =  political
politics =  politics

我要返回的地方：

political =  politics
politics =  politics

Answer 1

首先，引理不是您所想的“根”字。这只是字典中存在的一种形式，对于NLTK WordNetLemmatizer中的英语来说，字典就是WordNet，只要字典条目在WordNet中是引理，就会有“政治”和“政治”条目，因此它们是有效的引理：

from itertools import chain
print(set(chain(*[ss.lemma_names() for ss in wn.synsets('political')])))
print(set(chain(*[ss.lemma_names() for ss in wn.synsets('politics')])))

[输出]：

{'political'}
{'political_sympathies', 'political_relation', 'government', 'politics', 'political_science'}

也许还有其他工具可以做到这一点，但我将首先尝试它。

首先，对所有引理名称进行词干处理，并用相同的词干对词条进行分组：

from collections import defaultdict

from wn import WordNet
from nltk.stem import PorterStemmer

porter = PorterStemmer()
wn = WordNet()

x = defaultdict(set)
i = 0
for lemma_name in wn.all_lemma_names():
    if lemma_name:
        x[porter.stem(lemma_name)].add(lemma_name)
        i += 1

注意： pip install -U wn

然后作为健全性检查，我们检查是否存在。引理数>不。组：

print(len(x.keys()), i)

[输出]：

(128442, 147306)

然后我们可以看一下分组：

for k in sorted(x):
    if len(x[k]) > 1:
        print(k, x[k])

似乎可以完成我们需要将单词及其“根字”组合在一起的操作，例如

poke {'poke', 'poking'}
polar {'polarize', 'polarity', 'polarization', 'polar'}
polaris {'polarisation', 'polarise'}
pole_jump {'pole_jumping', 'pole_jumper', 'pole_jump'}
pole_vault {'pole_vaulter', 'pole_vault', 'pole_vaulting'}
poleax {'poleaxe', 'poleax'}
polem {'polemically', 'polemics', 'polemic', 'polemical', 'polemize'}
police_st {'police_state', 'police_station'}
polish {'polished', 'polisher', 'polish', 'polishing'}
polit {'politics', 'politic', 'politeness', 'polite', 'politically', 'politely', 'political'}
poll {'poll', 'polls'}

但是，如果我们仔细观察，就会有些困惑：

polit {'politics', 'politic', 'politeness', 'polite', 'politically', 'politely', 'political'}

所以我建议下一步是

再次遍历分组并运行一些语义并检查单词的“相关性”并拆分可能不相关的单词，例如尝试使用通用句子编码器（Universal Sentence Encoder） https://colab.research.google.com/drive/1BM-eKdFb2G2zXqNt3dHgVm4gH8PaPJOq（可能不容易）

或者做一些手动工作并重新排列分组。（搬运工已经在分组工作中完成了繁重的工作，现在是时候进行一些人工工作了）

然后，您必须以某种方式在每组单词中找到词根（即，簇的原型/标签）。

最后使用创建的词组资源，您无法“找到词根”。

python lemmatizer，将“ political”和“ politics”词化为同一个词

1 个答案: