时间戳

首页 > 解决方案 > 多语言文本语料库的词干提取

python - 多语言文本语料库的词干提取

问题描述

我有一个带有英语、俄语和波兰语项目描述的文本语料库。

这个文本语料库有 68K 观察。其中一些观察是用英语写的，一些是用俄语写的，还有一些是用波兰语写的。

您能告诉我在这种情况下如何正确且经济高效地实施词干提取吗？我不能在俄语单词上使用英语词干分析器，反之亦然。

不幸的是，我找不到好的语言标识符。例如langdetect，工作太慢而且经常不正确。例如，我尝试识别英语单词“today”的语言：

detect("today") 
"so" 
# i.e Somali

到目前为止，我的代码实现看起来很糟糕。我只是在另一个上使用一个词干分析器：

import nltk
# polish stemmer
from pymorfologik import Morfologik

clean_items = []

# create stemmers

snowball_en = nltk.SnowballStemmer("english")
snowball_ru = nltk.SnowballStemmer("russian")
stemmer_pl = Morfologik()

# loop over each item; create an index i that goes from 0 to the length
# of the item list 

for i in range(0, num_items):
    # Call our function for each one, and add the result to the list of
    # clean items

    cleaned = items.iloc[i]

    # to word stem
    clean_items.append(snowball_ru.stem(stemmer_pl(snowball_en.stem(cleaned))))

标签： pythonnlpnltktext-processingstemming

解决方案

即使 API 不是那么好，您也可以将langdetect自己限制为仅使用您实际使用的语言。例如：

from langdetect.detector_factory import DetectorFactory, PROFILES_DIRECTORY
import os

def get_factory_for(langs):
    df = DetectorFactory()
    profiles = []
    for lang in ['en', 'ru', 'pl']:
        with open(os.path.join(PROFILES_DIRECTORY, lang), 'r', encoding='utf-8') as f:
            profiles.append(f.read())
    df.load_json_profile(profiles)

    def _detect_langs(text):
        d = df.create()
        d.append(text)
        return d.get_probabilities()

    def _detect(text):
        d = df.create()
        d.append(text)
        return d.detect()

    df.detect_langs = _detect_langs
    df.detect = _detect
    return df

虽然不受限制langdetect似乎认为"today"是索马里语，但如果您只有英语、俄语和波兰语，您现在可以这样做：

df = get_factory_for(['en', 'ru', 'pl'])
df.detect('today')         # 'en'
df.detect_langs('today')   # [en:0.9999988994459187]

它仍然会错过很多（"snow"显然是波兰语），但它仍然会大大降低您的错误率。

推荐阅读