我尝试过 PorterStemmer 和 Snowball，但两者都不能处理所有单词，缺少一些非常常见的单词。
我的测试词是：“cats running ran cactus cactuses cacti community community”，两个都答对了不到一半。
另请参阅：
【问题讨论】：
标签： nlp stemming lemmatization
搜索 Lucene，我不确定是否有 PHP 端口，但我知道 Lucene 可用于许多平台。 Lucene 是一个 OSS（来自 Apache）的索引和搜索库。自然而然，它和社区的附加功能可能会有一些有趣的东西值得一看。至少您可以了解它是如何用一种语言完成的，这样您就可以将“想法”翻译成 PHP。
【讨论】：
用于词形还原的顶级 python 包（无特定顺序）是：spacy、nltk、gensim、pattern、CoreNLP 和 TextBlob。我更喜欢 spaCy 和 gensim 的实现（基于模式），因为它们识别单词的 POS 标签并自动分配适当的引理。给出更相关的引理，保持含义不变。
如果您打算使用 nltk 或 TextBlob，则需要注意手动查找正确的 POS 标签并找到正确的引理。
使用 spaCy 的词形还原示例：
# Run below statements in terminal once.
pip install spacy
spacy download en
import spacy
# Initialize spacy 'en' model
nlp = spacy.load('en', disable=['parser', 'ner'])
sentence = "The striped bats are hanging on their feet for best"
# Parse
doc = nlp(sentence)
# Extract the lemma
" ".join([token.lemma_ for token in doc])
#> 'the strip bat be hang on -PRON- foot for good'
使用 Gensim 的词形还原示例：
from gensim.utils import lemmatize
sentence = "The striped bats were hanging on their feet and ate best fishes"
lemmatized_out = [wd.decode('utf-8').split('/')[0] for wd in lemmatize(sentence)]
#> ['striped', 'bat', 'be', 'hang', 'foot', 'eat', 'best', 'fish']
上面的例子是从这个lemmatization页面借用的。
【讨论】：
我强烈推荐使用Spacy（基本文本解析和标记）和Textacy（建立在 Spacy 之上的更高级别的文本处理）。
词形化词 are available by default in Spacy 作为标记的 .lemma_ 属性和文本可以在使用 textacy 进行许多其他文本预处理时进行词形化。例如 while creating a bag of terms or words 或通常在执行一些需要它的处理之前。
我建议您在编写任何代码之前都检查一下，因为这可以为您节省大量时间！
【讨论】：
df_plots = pd.read_excel("Plot Summary.xlsx", index_col = 0)
df_plots
# Printing first sentence of first row and last sentence of last row
nltk.sent_tokenize(df_plots.loc[1].Plot)[0] + nltk.sent_tokenize(df_plots.loc[len(df)].Plot)[-1]
# Calculating length of all plots by words
df_plots["Length"] = df_plots.Plot.apply(lambda x :
len(nltk.word_tokenize(x)))
print("Longest plot is for season"),
print(df_plots.Length.idxmax())
print("Shortest plot is for season"),
print(df_plots.Length.idxmin())
#What is this show about? (What are the top 3 words used , excluding the #stop words, in all the #seasons combined)
word_sample = list(["struggled", "died"])
word_list = nltk.pos_tag(word_sample)
[wnl.lemmatize(str(word_list[index][0]), pos = word_list[index][1][0].lower()) for index in range(len(word_list))]
# Figure out the stop words
stop = (stopwords.words('english'))
# Tokenize all the plots
df_plots["Tokenized"] = df_plots.Plot.apply(lambda x : nltk.word_tokenize(x.lower()))
# Remove the stop words
df_plots["Filtered"] = df_plots.Tokenized.apply(lambda x : (word for word in x if word not in stop))
# Lemmatize each word
wnl = WordNetLemmatizer()
df_plots["POS"] = df_plots.Filtered.apply(lambda x : nltk.pos_tag(list(x)))
# df_plots["POS"] = df_plots.POS.apply(lambda x : ((word[1] = word[1][0] for word in word_list) for word_list in x))
df_plots["Lemmatized"] = df_plots.POS.apply(lambda x : (wnl.lemmatize(x[index][0], pos = str(x[index][1][0]).lower()) for index in range(len(list(x)))))
#Which Season had the highest screenplay of "Jesse" compared to "Walt"
#Screenplay of Jesse =(Occurences of "Jesse")/(Occurences of "Jesse"+ #Occurences of "Walt")
df_plots.groupby("Season").Tokenized.sum()
df_plots["Share"] = df_plots.groupby("Season").Tokenized.sum().apply(lambda x : float(x.count("jesse") * 100)/float(x.count("jesse") + x.count("walter") + x.count("walt")))
print("The highest times Jesse was mentioned compared to Walter/Walt was in season"),
print(df_plots["Share"].idxmax())
#float(df_plots.Tokenized.sum().count('jesse')) * 100 / #float((df_plots.Tokenized.sum().count('jesse') + #df_plots.Tokenized.sum().count('walt') + #df_plots.Tokenized.sum().count('walter')))
【讨论】：
根据我遇到的 Stack Overflow 和博客上的各种答案，这是我正在使用的方法，它似乎可以很好地返回真实的话。这个想法是将传入的文本拆分为一个单词数组（使用您喜欢的任何方法），然后找到这些单词的词性 (POS) 并使用它来帮助词干和词形还原。
您上面的示例效果不太好，因为无法确定 POS。但是，如果我们使用真正的句子，效果会好很多。
import nltk
from nltk.corpus import wordnet
lmtzr = nltk.WordNetLemmatizer().lemmatize
def get_wordnet_pos(treebank_tag):
if treebank_tag.startswith('J'):
return wordnet.ADJ
elif treebank_tag.startswith('V'):
return wordnet.VERB
elif treebank_tag.startswith('N'):
return wordnet.NOUN
elif treebank_tag.startswith('R'):
return wordnet.ADV
else:
return wordnet.NOUN
def normalize_text(text):
word_pos = nltk.pos_tag(nltk.word_tokenize(text))
lemm_words = [lmtzr(sw[0], get_wordnet_pos(sw[1])) for sw in word_pos]
return [x.lower() for x in lemm_words]
print(normalize_text('cats running ran cactus cactuses cacti community communities'))
# ['cat', 'run', 'ran', 'cactus', 'cactuses', 'cacti', 'community', 'community']
print(normalize_text('The cactus ran to the community to see the cats running around cacti between communities.'))
# ['the', 'cactus', 'run', 'to', 'the', 'community', 'to', 'see', 'the', 'cat', 'run', 'around', 'cactus', 'between', 'community', '.']
【讨论】：
如果你了解 Python，Natural Language Toolkit (NLTK) 有一个非常强大的词形还原器，它利用了 WordNet。
请注意，如果您是第一次使用此词形还原器，则必须在使用之前下载语料库。这可以通过以下方式完成：
>>> import nltk
>>> nltk.download('wordnet')
您只需执行一次。假设您现在已经下载了语料库，它的工作方式如下：
>>> from nltk.stem.wordnet import WordNetLemmatizer
>>> lmtzr = WordNetLemmatizer()
>>> lmtzr.lemmatize('cars')
'car'
>>> lmtzr.lemmatize('feet')
'foot'
>>> lmtzr.lemmatize('people')
'people'
>>> lmtzr.lemmatize('fantasized','v')
'fantasize'
nltk.stem module 中还有其他的词形还原器，但我自己没有尝试过。
【讨论】：
dies 尝试它，它会给你dy 而不是die。不是有某种硬编码的词干词典吗？
WordNetLemmatizer 错误地词形化的词是什么吗？
我在this snowball demo site 上尝试了您的术语列表，结果看起来还不错....
词干分析器应该将词的变形形式转换为某个共同的词根。使该词根成为“正确”的字典词并不是词干分析器的工作。为此，您需要查看morphological/orthographic analysers。
我认为this question 或多或少是同一件事，而 Kaarel 对这个问题的回答是我从哪里获取第二个链接的。
【讨论】：
我使用stanford nlp 执行词形还原。在过去的几天里，我一直遇到类似的问题。多亏了 stackoverflow 帮我解决了这个问题。
import java.util.*;
import edu.stanford.nlp.pipeline.*;
import edu.stanford.nlp.ling.*;
import edu.stanford.nlp.ling.CoreAnnotations.*;
public class example
{
public static void main(String[] args)
{
Properties props = new Properties();
props.put("annotators", "tokenize, ssplit, pos, lemma");
pipeline = new StanfordCoreNLP(props, false);
String text = /* the string you want */;
Annotation document = pipeline.process(text);
for(CoreMap sentence: document.get(SentencesAnnotation.class))
{
for(CoreLabel token: sentence.get(TokensAnnotation.class))
{
String word = token.get(TextAnnotation.class);
String lemma = token.get(LemmaAnnotation.class);
System.out.println("lemmatized version :" + lemma);
}
}
}
}
如果稍后在分类器中使用停用词来最小化输出引理，这也可能是一个好主意。请查看由 John Conwell 编写的 coreNlp 扩展。
【讨论】：
词干分析器与词形还原器的争论仍在继续。这是一个更喜欢精确而不是效率的问题。您应该进行词形还原以实现具有语言意义的单元，并使用最少的计算量来索引单词及其变体在同一键下。
这是一个使用 python NLTK 的示例：
>>> sent = "cats running ran cactus cactuses cacti community communities"
>>> from nltk.stem import PorterStemmer, WordNetLemmatizer
>>>
>>> port = PorterStemmer()
>>> " ".join([port.stem(i) for i in sent.split()])
'cat run ran cactu cactus cacti commun commun'
>>>
>>> wnl = WordNetLemmatizer()
>>> " ".join([wnl.lemmatize(i) for i in sent.split()])
'cat running ran cactus cactus cactus community community'
【讨论】：
WordNetLemmatizer 的lemmatize() 可以带 POS 标签。所以从你的例子中：" ".join([wnl.lemmatize(i, pos=VERB) for i in sent.split()]) 给出'cat run run cactus cactuses cacti community communities'。
pos=NOUN？ BTW：好久不见，希望我们很快能在会议上见面=)
pos=VERB，您只会对动词进行词形还原。名词保持不变。我只需要编写一些我自己的代码来围绕实际的 Penn Treebank POS 标签进行旋转，以对每个令牌应用正确的词形还原。此外，WordNetLemmatizer 在对 nltk 的默认标记器进行词形还原时很臭。因此，does n't 之类的示例不会引理为 do not。
port.stem("this") 产生 thi 和 port.stem("was") wa，即使为每个都提供了正确的位置。
在这里试试这个：http://www.twinword.com/lemmatizer.php
我在演示中输入了您的查询 "cats running ran cactus cactuses cacti community communities" 并得到了带有可选标志 ALL_TOKENS 的 ["cat", "running", "run", "cactus", "cactus", "cactus", "community", "community"]。
示例代码
这是一个 API，因此您可以从任何环境连接到它。下面是 PHP REST 调用的样子。
// These code snippets use an open-source library. http://unirest.io/php
$response = Unirest\Request::post([ENDPOINT],
array(
"X-Mashape-Key" => [API KEY],
"Content-Type" => "application/x-www-form-urlencoded",
"Accept" => "application/json"
),
array(
"text" => "cats running ran cactus cactuses cacti community communities"
)
);
【讨论】：
在 Java 中，我使用 tartargus-snowball 来提取词干
Maven：
<dependency>
<groupId>org.apache.lucene</groupId>
<artifactId>lucene-snowball</artifactId>
<version>3.0.3</version>
<scope>test</scope>
</dependency>
示例代码：
SnowballProgram stemmer = new EnglishStemmer();
String[] words = new String[]{
"testing",
"skincare",
"eyecare",
"eye",
"worked",
"read"
};
for (String word : words) {
stemmer.setCurrent(word);
stemmer.stem();
//debug
logger.info("Origin: " + word + " > " + stemmer.getCurrent());// result: test, skincar, eyecar, eye, work, read
}
【讨论】：
看看LemmaGen - 用 C# 3.0 编写的开源库。
测试词的结果 (http://lemmatise.ijs.si/Services)
【讨论】：
Martin Porter 编写了 Snowball（一种用于词干算法的语言）并在 Snowball 中重写了“English Stemmer”。有一个适用于 C 和 Java 的英语词干分析器。
他明确指出，出于历史原因，仅重新实现了 Porter Stemmer，因此针对 Porter Stemmer 测试词干提取的正确性将获得您（应该）已经知道的结果。
来自http://tartarus.org/~martin/PorterStemmer/index.html（强调我的）
Porter 词干分析器应被视为“frozen”，即严格定义，不能进一步修改。作为一个词干分析器，它略逊于从它派生的 Snowball English 或 Porter2 词干分析器，并且偶尔会进行改进。因此，对于实际工作，建议使用新的 Snowball 词干分析器。 Porter 词干分析器适用于涉及词干的 IR 研究工作，其中实验需要完全可重复。
博士。 Porter 建议使用 English 或 Porter2 词干分析器，而不是 Porter 词干分析器。正如@StompChicken 之前回答的那样，demo site 中实际使用了英文词干分析器。
【讨论】：
.Net lucene 有一个内置的搬运工词干分析器。你可以试试。但请注意，波特词干在推导引理时不考虑词上下文。 （通过算法及其实现，你会看到它是如何工作的）
【讨论】：
这看起来很有趣： 麻省理工学院 Java WordnetStemmer： http://projects.csail.mit.edu/jwi/api/edu/mit/jwi/morph/WordnetStemmer.html
【讨论】：
您可以使用 Morpha 词干分析器。如果您打算从 Java 应用程序中使用它，UW 有 uploaded morpha stemmer to Maven central。有一个包装器使它更易于使用。您只需将其添加为依赖项并使用 edu.washington.cs.knowitall.morpha.MorphaStemmer 类。实例是线程安全的（原来的 JFlex 有不必要的局部变量的类字段）。实例化一个类并运行 morpha 和你想要的词。
new MorphaStemmer().morpha("climbed") // goes to "climb"
【讨论】：
NLTK 中最新版本的词干分析器是 Snowball。
您可以在此处找到有关如何使用它的示例：
http://nltk.googlecode.com/svn/trunk/doc/api/nltk.stem.snowball2-pysrc.html#demo
【讨论】：
http://wordnet.princeton.edu/man/morph.3WN
对于我的许多项目，我更喜欢基于词典的 WordNet 词形还原器，而不是更具侵略性的搬运工词干提取。
http://wordnet.princeton.edu/links#PHP 有一个指向 WN API 的 PHP 接口的链接。
【讨论】：
【讨论】：
如果我可以引用我对 StompChicken 提到的问题的回答：
这里的核心问题是词干算法是在语音基础上运行的，对它们所使用的语言没有真正的理解。
由于他们不懂语言，也没有从字典中跑出来，他们无法识别和适当地应对不正常的情况，例如“run”/“ran”。
如果您需要处理不规则的情况，您需要选择不同的方法，或者使用您自己的自定义更正字典来增强您的词干提取，以便在词干分析器完成操作后运行。
【讨论】：
Martin Porter 的官方页面包含Porter Stemmer in PHP 和other languages。
如果您真的很重视良好的词干提取，尽管您需要从 Porter 算法之类的东西开始，通过添加规则来修复数据集中常见的不正确案例来完善它，然后最后添加大量异常到规则。这可以通过键/值对（dbm/hash/dictionaries）轻松实现，其中键是要查找的单词，值是替换原始单词的词干。我曾经工作过的一个商业搜索引擎以修改后的 Porter 算法有 800 个例外。
【讨论】：