使用Java进行文本简化的最佳工具是什么？
以下是文字简化的示例：
John, who was the CEO of a company, played golf.
↓
John played golf. John was the CEO of a company.
答案 0 :(得分：32)
我认为你的问题是将复杂或复合句子转换成简单句子的任务。 根据文献Sentence Types，一个简单的句子是从一个独立的条款建立的。复合词和复句是由至少两个子句构成的。此外，条款必须有主语和动词 所以你的任务是将句子分成构成你句子的条款。
斯坦福CoreNLP的依赖解析是将复合句和复句分成简单句子的完美工具。您可以尝试demo online 从您的样本句子中，我们将得到斯坦福类型依赖（SD）表示法的解析结果，如下所示：
nsubj(CEO-6, John-1)
nsubj(played-11, John-1)
cop(CEO-6, was-4)
det(CEO-6, the-5)
rcmod(John-1, CEO-6)
det(company-9, a-8)
prep_of(CEO-6, company-9)
root(ROOT-0, played-11)
dobj(played-11, golf-12)
可以从关系（在SD中）识别哪个类别是主题，例如， nsubj ， nsubjpass 。见Stanford Dependency Manual
Basic子句可以从 head 中提取为动词部分，依赖作为主语部分。从上面的SD，有两个基本条款，即
获得基本条款后，您可以添加另一部分，使您的条款成为完整而有意义的句子。为此，请参阅Stanford Dependency Manual。
顺便说一下，您的问题可能与Finding meaningful sub-sentences from a sentence
有关一旦你得到一对主语，即 nsubj(CEO-6, John-1) ，就获得所有与该依赖关系相关的依赖关系，除了该类别所依赖的任何依赖关系，然后从中提取唯一的单词这些依赖关系。
根据示例 nsubj(CEO-6, John-1) ，如果您开始遍历 John-1 ，您将获得 nsubj(played-11, John-1) 但你应该忽略它，因为它的类别是主题。
下一步是从 CEO-6 部分进行遍历。你会得到
cop(CEO-6, was-4)
det(CEO-6, the-5)
rcmod(John-1, CEO-6)
prep_of(CEO-6, company-9)
从上面的结果中，您获得了新的依赖关系（即在头部或从属中找到 was-4, the-5, company-9 的其他依赖关系）。
现在你的依赖是
cop(CEO-6, was-4)
det(CEO-6, the-5)
rcmod(John-1, CEO-6)
prep_of(CEO-6, company-9)
的det(company-9, a-8)
在此步骤中，您已完成遍历与 nsubj(CEO-6, John-1) 关联的所有依赖项。接下来，从所有头部和从属词中提取单词，然后根据附加到这些单词的数字按升序排列单词。这个数字表示原始句子中的单词顺序。
John was the CEO a company
我们的新句子缺少一部分，即 of 。此部分隐藏在 prep_of(CEO-6, company-9) 中。如果您阅读Stanford Dependency Manual，则有两种 SD ，折叠和非折叠。请阅读它们以了解隐藏 of 的原因以及如何获取此隐藏部分的单词顺序。
用同样的方法，你会得到第二句话
John played golf
答案 1 :(得分：7)
我认为可以为这种情况的基本情况设计一个非常简单的算法，而真实世界的情况可能太多，这样的方法会变得难以驾驭：）
仍然我认为我应该 大声思考并编写我的方法，并可能添加一些python代码。我的基本想法是从第一原则中获得解决方案， 主要通过明确地揭示我们的实际情况模型。在我们用HAND和SCRATCH做之前，不要依赖其他理论，模型和库。
目标：给出一个句子，从中提取子句。
例子：约翰，他是公司的首席执行官，打高尔夫。
预期产出：约翰是该公司的首席执行官。约翰打高尔夫。
以下是我以模型假设的形式写出的模型： （公理？）
MA1。通过插入子句可以扩展简单的句子。 MA2。子权利是对一个或多个实体的资格/修改（附加信息）。 MA3。要插入子句，我们在我们想要扩展的实体旁边放一个逗号（提供更多信息）并附加子句，我将其称为扩展名 - 并在扩展名结束时再添加一个逗号。
鉴于此模型，该算法至少可以直接解决简单案例。
嗯，这是我们的算法。是的，这听起来像一个黑客。它是。但是我现在正在学习的是，如果你在一个程序中使用一个技巧它是一个黑客，如果它可以处理更多的东西，这是一种技术。
因此，让我们稍微扩展并使情况复杂化。
复合案件： 示例2. John是公司的首席执行官，与首席财务官Ram一起打高尔夫。
在我写这篇文章时，我注意到我已经省略了首席财务官的“谁是”这句话！ 这让我们看到了我们的算法失败的复杂情况。去那儿之前 让我创建一个更简单的2版本。
示例3. John是该公司的首席执行官，与担任首席财务官的Ram一起打高尔夫球。
示例4.公司首席执行官约翰与首席财务官Ram一起打高尔夫。
等等我们还没有完成！
示例5.当时担任首席财务官的首席执行官约翰和拉姆扮演高尔夫，这是一款引人入胜的游戏。
为此，我需要扩展我的模型假设：
MA4。同样可以扩展多个实体，但不应该引起混淆，因为 扩展条款发生在被通知的实体旁边。 （例如3）
MA5。可以省略'who was'短语，因为它可以由听众推断。 （例如4）
MA6。一些实体是人，他们将使用“谁”扩展，而某些实体是事物，使用“哪个”扩展。可以省略这些扩展头中的任何一个。
现在我们如何在算法中处理这些复杂情况？
试试这个：
SPLIT-句子INTO-BASE-AND-EXTENSIONS： 如果句子包含逗号，请查找以下逗号，并将其中的任何内容提取到扩展句中。继续，直到找不到结束逗号或打开逗号。 此时，您应该有基本句子和一个或多个扩展句子的列表。
PROCESS_EXTENSIONS： 对于每个分机，如果它有“谁是”或“哪个是”，请在分机词前加上名称。 如果扩展名没有'who is'或'which is'，请放置前导词和a。是
PRINT：首先是所有扩展句子，然后是基本句子。
不可怕。
当我在接下来的几天里得到一些时间时，我将添加一个python实现。
谢谢
Ravi Annaswamy
答案 2 :(得分：4)
在一般情况下，您不可能使用任何已知算法解决此问题 - 这会进入强AI领域。即便是人类也无法很好地解析语法！
请注意，对于您的简化程度以及您愿意做出的假设，问题非常模糊。你可以进一步举例说：
约翰被认为是存在的名字。约翰的种族不明。约翰出场了 高尔夫在过去的某个时刻。假设高尔夫球是指球 这场比赛叫做高尔夫，但约翰所打的高尔夫球的变种还不得而知。 在过去的某个时刻，约翰是一家公司的首席执行官。首席执行官被认为是 在公司的背景下意味着“首席执行官”，但这是 未标明。该公司未知。
如果课程不明显：你试图确定单词的确切含义越多，你开始打开的蠕虫就越多......它需要人类的判断和解释水平。知道什么时候停止。
您可以使用各种基于Java的NLP工具解决一些更简单的案例：请参阅Is there a good natural language processing library
答案 3 :(得分：1)
我相信AlchemyApi是您最好的选择。仍然需要你做很多工作来完成你所需要的工作，以及大多数评论员如何告诉你，很可能你不会得到100％的质量结果。