分享
 
 
 

分词程序集成了一个可以提取词干的开源项目成果

王朝java/jsp·作者佚名  2006-01-09
窄屏简体版  字體: |||超大  

这两天正好在项目中需要提取词干(word stemming),词干是什么?比如documentation这个词,它的词干就是document。再比如tables这个复数形式,它的词干就是tabl。词干也许可以理解为类似于词根一样的概念。我没有去查准确的定义,不过我想它的用处是显而易见的。我们如果想比较两个词的相似程度,比如下面两个词:go和went。这怎么办,其实从目的上讲我们是希望这两个词有较高的相似度的(语义上极为相似),然而从简单的字符串处理方法上,比如编辑距离的处理方式,这两个词也许就很不相似了。然而经过提取词干以后,一切就不一样了,went能够被还原成go,很有用的方法。再比如典型的应用:stem和stemming这两个词如果要考虑语义相似性,那应当是非常相似的(只不过是两种时态而已),可是从编辑距离或者VSM的角度考虑,也许他们的相似性要大打折扣。然而stemming提取词干以后,就还原成了stem。

我想过自己去实现一个这样的工具,然而翻阅了一些经典的英语语法书籍,发现要考虑的事情太多了,感兴趣的可以去这个地方看看:http://www.phon.ucl.ac.uk/home/dick/enc/intro.htm 于是我寻找各种现有的开源项目。其实首先接触到的是一个叫做KIMMO的工具,我也是无意中通过它才知道了提取词干这回事。它是用脚本语言编写的,我对这个方面不很熟悉,不敢贸然使用。然后才知道提取词干方面也许是一个很权威的方法:Porter Stemming算法,它的主页是:http://www.tartarus.org/~martin/PorterStemmer/ 幸运的,我找到了它的一个开源的应用,是他们自己的工作结晶,一个叫做Snowball的项目,地址是:http://snowball.tartarus.org/ 他们的库可以在这儿下载:http://snowball.tartarus.org/dist/libstemmer_java.tgz

集成这个工具来提取词干是很方便的,要注意的是这个工具不仅支持提取英文词干,也支持法语、俄语等多种其他语言(当然不包括中文)。下面是一个典型的应用实例,我将它集成到了我的分词程序中,以下是全部源代码:

import java.util.*;

import java.lang.reflect.Method;

import org.tartarus.snowball.*;

public class SplitWords {

/* 分隔符的集合 */

private final String delimiters = " \t\n\r\f~!@#$%^&*()_+|`-=\\{}[]:\";'<>?,./'";

/* 语言 */

private final String language = "english";

public String[] split(String source) {

/* 根据分隔符分词 */

StringTokenizer stringTokenizer = new StringTokenizer(source,

delimiters);

/* 所有的词 */

Vector vector = new Vector();

/* 全大写的词 -- 不用提词干所以单独处理 */

Vector vectorForAllUpperCase = new Vector();

/* 根据大写字母分词 */

flag0: while (stringTokenizer.hasMoreTokens()) {

String token = stringTokenizer.nextToken();

/* 全大写的词单独处理 */

boolean allUpperCase = true;

for (int i = 0; i < token.length(); i++) {

if (!Character.isUpperCase(token.charAt(i))) {

allUpperCase = false;

}

}

if (allUpperCase) {

vectorForAllUpperCase.addElement(token);

continue flag0;

}

/* 非全大写的词 */

int index = 0;

flag1: while (index < token.length()) {

flag2: while (true) {

index++;

if ((index == token.length())

|| !Character.isLowerCase(token.charAt(index))) {

break flag2;

}

}

vector.addElement(token.substring(0, index).toLowerCase());

token = token.substring(index);

index = 0;

continue flag1;

}

}

/* 提词干 */

try {

Class stemClass = Class.forName("org.tartarus.snowball.ext."

+ language + "Stemmer");

SnowballProgram stemmer = (SnowballProgram) stemClass.newInstance();

Method stemMethod = stemClass.getMethod("stem", new Class[0]);

Object[] emptyArgs = new Object[0];

for (int i = 0; i < vector.size(); i++) {

stemmer.setCurrent((String) vector.elementAt(i));

stemMethod.invoke(stemmer, emptyArgs);

vector.setElementAt(stemmer.getCurrent(), i);

}

} catch (Exception e) {

e.printStackTrace();

}

/* 合并全大写的词 */

for (int i = 0; i < vectorForAllUpperCase.size(); i++) {

vector.addElement(vectorForAllUpperCase.elementAt(i));

}

/* 转为数组形式 */

String[] array = new String[vector.size()];

Enumeration enumeration = vector.elements();

int index = 0;

while (enumeration.hasMoreElements()) {

array[index] = (String) enumeration.nextElement();

index++;

}

/* 打印显示 */

for (int i = 0; i < array.length; i++) {

System.out.print(array[i] + " ");

}

/* 返回 */

return array;

}

public static void main(String args[]) {

SplitWords sw = new SplitWords();

sw.split("These tables are for ARE-Company using only.");

}

}

 
 
 
免责声明:本文为网络用户发布,其观点仅代表作者个人观点,与本站无关,本站仅提供信息存储服务。文中陈述内容未经本站证实,其真实性、完整性、及时性本站不作任何保证或承诺,请读者仅作参考,并请自行核实相关内容。
2023年上半年GDP全球前十五强
 百态   2023-10-24
美众议院议长启动对拜登的弹劾调查
 百态   2023-09-13
上海、济南、武汉等多地出现不明坠落物
 探索   2023-09-06
印度或要将国名改为“巴拉特”
 百态   2023-09-06
男子为女友送行,买票不登机被捕
 百态   2023-08-20
手机地震预警功能怎么开?
 干货   2023-08-06
女子4年卖2套房花700多万做美容:不但没变美脸,面部还出现变形
 百态   2023-08-04
住户一楼被水淹 还冲来8头猪
 百态   2023-07-31
女子体内爬出大量瓜子状活虫
 百态   2023-07-25
地球连续35年收到神秘规律性信号,网友:不要回答!
 探索   2023-07-21
全球镓价格本周大涨27%
 探索   2023-07-09
钱都流向了那些不缺钱的人,苦都留给了能吃苦的人
 探索   2023-07-02
倩女手游刀客魅者强控制(强混乱强眩晕强睡眠)和对应控制抗性的关系
 百态   2020-08-20
美国5月9日最新疫情:美国确诊人数突破131万
 百态   2020-05-09
荷兰政府宣布将集体辞职
 干货   2020-04-30
倩女幽魂手游师徒任务情义春秋猜成语答案逍遥观:鹏程万里
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案神机营:射石饮羽
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案昆仑山:拔刀相助
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案天工阁:鬼斧神工
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案丝路古道:单枪匹马
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案镇郊荒野:与虎谋皮
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案镇郊荒野:李代桃僵
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案镇郊荒野:指鹿为马
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案金陵:小鸟依人
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案金陵:千金买邻
 干货   2019-11-12
 
推荐阅读
 
 
 
>>返回首頁<<
 
靜靜地坐在廢墟上,四周的荒凉一望無際,忽然覺得,淒涼也很美
© 2005- 王朝網路 版權所有