我正在使用GATE（基于Java的NLP框架），并希望找到与字典部分匹配的单词。 例如，我有一个疾病词典，其中包含以下术语
Congestive cardiac failure
Congestive Heart Failure
Colon Cancer
.
.
.
Thousands of more terms
我们假设我从这个字符串中得到字符串"Father had cardiac failure last year"我想将“心脏衰竭”识别为部分匹配，因为它是字典中术语的一部分。
我已经在Python，JS和C＃中看到了关于类似主题的一些讨论，但我不确定在这种情况下可以提供哪些帮助。 我想知道我是否可以在这里使用Aho-Corrasick。
答案 0 :(得分：1)
也许你应该使用Lucene。将字典的每一行视为文档，并将文本中的每个句子视为查询。
答案 1 :(得分：1)
出现的一个问题是您希望在搜索中包含哪些子字符串。如果你包括所有子串只是“心脏”也将是一个匹配，但这不是一个真正的疾病。 也许所有右对齐（字）子串（可能长度> 1）都是可以接受的。
所以你可以做的一件事就是用你想要包含的子串训练Aho-Corrasick模式匹配器。为了保持子字符串来自哪个字典术语的信息，您可能需要稍微修改算法（如果保持该信息很重要），或者构建另一个数据结构以便在之后进行查找。
在任何情况下，我都会在训练/匹配之前将疾病列表和您要搜索的文档转换为小写。如果有拼写错误的机会 - 还有关于模糊aho-corasick自动机的论文。
答案 2 :(得分：1)
UIMA Concept Mapper annotator addon包含与您正在寻找的功能类似的功能。你可以考虑：