我正在寻找一种方法来检索特定单词的所有词位变体。
例子：running -> (run, runs, ran, running…)
我根据this post 试用了斯坦福 NLP。但是，引理注释器仅检索引理（运行 -> 运行），而不是完整的变体集。有没有办法使用斯坦福 NLP 或其他 Java Lib/Framework 来做到这一点？
澄清：我不搜索词干分析器。另外，我想避免从头开始编写新算法来爬取 WordNet 或类似的字典。
【问题讨论】：
标签： java nlp stanford-nlp lemmatization
简短的回答是标准的 NLP 库或工具包不太可能解决这个问题。与斯坦福 NLP 一样，大多数库仅提供来自 word --> lemma 的映射。请注意，这是一个多对一函数，即反函数在单词空间中没有明确定义。然而，它是一个从词空间到词集空间的定义明确的函数（即，它是词空间中的一对多映射）。
如果不维护某种形式的显式映射，就不可能从给定的引理生成所有变体。这在理论上是不可能的，因为词形还原是一种有损的单向函数。
但是，您可以生成lemma --> set-of-words 的映射而无需大量编码（当然也无需编码新算法）：
// Java
Map<String, Set<String>> inverseLemmaMap = new HashMap<>();
// Guava
Multimap<String, String> inverseLemmaMap = HashMultimap.create();
然后，当您使用斯坦福 NLP 注释您的语料库时，您可以获得引理及其相应的标记，并填充上述映射（或多映射）。这样，在您的数据集单次通过后，您将获得所需的反向词形还原。
请注意，这将仅限于您正在使用的语料库/数据集，并非所有英语单词都会包括在内。
另一个注意事项是，人们通常认为语调是由词性唯一决定的。这是不正确的：
String s = "My running was beginning to hurt me. I was running all day."
running 的第一个实例标记为 NN，而第二个实例是动词的现在进行时，标记为 VBG。这就是我在前面的回答中所说的“有损单向函数”的意思。
【讨论】：