波特词干算法
位于分类 自然语言处理
在英语中,一个单词常常是另一个单词的“变种”,如:happy=>happiness,这里happy叫做happiness的词干(stem)。在信息检索系统中,我们常常做的一件事,就是在Term规范化过程中,提取词干(stemming),即除去英文单词分词变换形式的结尾。
应用最为广泛的、中等复杂程度的、基于后缀剥离的词干提取算法是波特词干算法,也叫波特词干器(Porter Stemmer)。详见。比较热门的检索系统包括Lucene、Whoosh等中的词干过滤器就是采用的波特词干算法。
简单说一下历史:
马丁.波特博士(Dr. Martin Porter)于1979年,在英国剑桥大学,计算机实验室,发明了波特词干算法。
波特词干算法当时是作为一个大型IR项目的一部分被提出的。它的原始论文为:
C.J. van Rijsbergen, S.E. Robertson and M.F. Porter, 1980. New models in probabilistic information retrieval. London: British Library. (British Library Research and Development Report, no. 5587).
最初的波特词干提取算法是使用BCPL语言编写的。作者在其网站上公布了各种语言的实现版本,其中C语言的版本是作者编写的最权威的版本。
波特词干器适用于涉及到提取词干的IR研究工作,其实验结果是可重复的,言外之意是说,波特词干器的输出结果是确定性的,不是随机的。(还有基于随机的高级词干提取算法,虽然会更准确,但同时也更加复杂)。
词干提取算法无法达到100%的准确程度,因为语言单词本身的变化存在着许多例外的情况,无法概括到一般的规则中。使用词干提取算法能够帮助提高IR的性能。
波特词干算法的上,有各个语言的实现版本(其实都是C标准的各个翻译形式)。各位要应用到实际生产中可以直接下载对应的版本。本文将会分析Java语言的源码。在今后的文章中,再介绍使用Python特性优化过的版本。(Python原版几乎就是C语言版本的翻译,这也就意味着不能充分利用Python的语言特性。)
在实际处理中,需要分六步走。首先,我们先定义一个Stemmer类。
class Stemmer
{  private char[] b;
private int i,    /* b中的元素位置(偏移量) */
i_end, /* 要抽取词干单词的结束位置 */
j, k;
private static final int INC = 50;
/* 随着b的大小增加数组要增长的长度(防止溢出) */
public Stemmer()
{  b = new char[INC];
i = 0;
i_end = 0;
}
}这里,b是一个数组,用来存待词干提取的单词(以char的形式)。这里的变量k会随着词干抽取而变化。
接着,我们要添加单词来进行处理:
/**
* 增加一个字符到要存放待处理的单词的数组。添加完
字符时,
* 可以调用stem(void)方法来进行抽取词干的工作。
*/
public void add(char ch)
{  if (i == b.length)
{  char[] new_b = new char[i+INC];
for (int c = 0; c < i; c++) new_b[c] = b[c];
b = new_b;
}
b[i++] = ch;
}
/** 增加wLen长度的字符数组到存放待处理的单词的数组b。
*/
public void add(char[] w, int wLen)
{  if (i+wLen >= b.length)
{  char[] new_b = new char[i+wLen+INC];
for (int c = 0; c < i; c++) new_b[c] = b[c];
b = new_b;
}
for (int c = 0; c < wLen; c++) b[i++] = w[c];
}
大家可能会觉得这么处理字符串太麻烦了吧,要明白,整个代码是从C移植过来的。
接下来,是一系列工具函数。首先先介绍一下它们:
cons(i):参数i:int型;返回值bool型。当i为辅音时,返回真;否则为假。
m():返回值:int型。表示单词b介于0和j之间辅音序列的个度。现假设c代表辅音序列,而v代表元音序列。<..>表示任意存在。于是有如下定义;
<c><v>          结果为 0
<c>vc<v>      结果为 1
<c>vcvc<v>    结果为 2
<c>vcvcvc<v> 结果为 3
....
vowelinstem():返回值:bool型。从名字就可以看得出来,表示单词b介于0到i之间是否存在元音。
doublec(j):参数j:int型;返回值bool型。这个函数用来表示在j和j-1位置上的两个字符是否是相同的辅音。
cvc(i):参数i:int型;返回值bool型。对于i,i-1,i-2位置上的字符,它们是“辅音-元音-辅音”的形式,并且对于第二个辅音,它不能为w、x、y中的一个。这个函数用来处理以e结尾的短单词。比如说cav(e),lov(e),hop(e),crim(e)。但是像snow,box,tray就辅符合条件。
ends(s):参数:String;返回值:bool型。顾名思义,判断b是否以s结尾。
setto(s):参数:String;void类型。把b在(j+1)...k位置上的字符设为s,同时,调整k的大小。
r(s):参数:String;void类型。在m()>0的情况下,调用setto(s)。
简单贴出来这些工具函数的代码。
// cons(i) 为真 <=> b[i] 是一个辅音
private final boolean cons(int i)
{  switch (b[i])
{  case 'a': case 'e': case 'i': case 'o': case 'u': return false; //aeiou
case 'y': return (i==0) ? true : !cons(i-1);
//y开头,为辅;否则看i-1位,如果i-1位为辅,y为元,反之亦然。
default: return true;
}
}
// m() 用来计算在0和j之间辅音序列的个数。 见上面的说明。 */
private final int m()
{  int n = 0; //辅音序列的个数,初始化
int i = 0; //偏移量
while(true)
{  if (i > j) return n; //如果超出最大偏移量,直接返回n
if (! cons(i)) break; //如果是元音,中断
i++; //辅音移一位,直到元音的位置
}
i++; //移完辅音,从元音的第一个字符开始
while(true)//循环计算vc的个数
while(true) //循环判断v
{  if (i > j) return n;
if (cons(i)) break; //出现辅音则终止循环
i++;
}
i++;
n++;
while(true) //循环判断c
{  if (i > j) return n;
if (! cons(i)) break;
i++;
}
i++;
}
}
// vowelinstem() 为真 <=> 0,...j 包含一个元音
private final boolean vowelinstem()
{  int i; for (i = 0; i <= j; i++) if (! cons(i)) return true;
return false;
}
// doublec(j) 为真 <=> j,(j-1) 包含两个一样的辅音
private final boolean doublec(int j)
{  if (j < 1) return false;
if (b[j] != b[j-1]) return false;
return cons(j);
}
/* cvc(i) is 为真 <=> i-2,i-1,i 有形式: 辅音 - 元音 - 辅音
并且第二个c不是 w,x 或者 y. 这个用来处理以e结尾的短单词。 e.g.
cav(e), lov(e), hop(e), crim(e), 但不是
snow, box, tray.
*/
private final boolean cvc(int i)
{  if (i < 2 || !cons(i) || cons(i-1) || !cons(i-2)) return false;
{  int ch = b[i];
if (ch == 'w' || ch == 'x' || ch == 'y') return false;
}
return true;
}
private final boolean ends(String s)
{  int l = s.length();
int o = k-l+1;
if (o < 0) return false;
for (int i = 0; i < l; i++) if (b[o+i] != s.charAt(i)) return false;
j = k-l;
return true;
}
// setto(s) 设置 (j+1),...k 到s字符串上的字符, 并且调整k值
private final void setto(String s)
{  int l = s.length();
int o = j+1;
for (int i = 0; i < l; i++) b[o+i] = s.charAt(i);
k = j+l;
}
private final void r(String s) { if (m() > 0) setto(s); }
接下来,就是分六步来进行处理的过程。
第一步,处理复数,以及ed和ing结束的单词。
/* step1() 处理复数,ed或者ing结束的单词。比如:
caresses  ->  caress
ponies    ->  poni
ties      ->  ti
caress    ->  caress
cats      ->  cat
feed      ->  feed
agreed    ->  agree
disabled  ->  disable
matting  ->  mat
mating    ->  mate
meeting  ->  meet
milling  ->  mill
messing  ->  mess
meetings  ->  meet
*/
private final void step1()
{  if (b[k] == 's')
{  if (ends("sses")) k -= 2; //以“sses结尾”
else if (ends("ies")) setto("i"); //以ies结尾,置为i
else if (b[k-1] != 's') k--; //两个s结尾不处理
}
if (ends("eed")) { if (m() > 0) k--; } //以“eed”结尾,当m>0时,左移一位
else if ((ends("ed") || ends("ing")) && vowelinstem())
{  k = j;
if (ends("at")) setto("ate"); else
if (ends("bl")) setto("ble"); else
if (ends("iz")) setto("ize"); else
if (doublec(k))//如果有两个相同辅音
{  k--;
{  int ch = b[k];
if (ch == 'l' || ch == 's' || ch == 'z') k++;
}
}
else if (m() == 1 && cvc(k)) setto("e");
}
}
第二步,如果单词
中包含元音,并且以y结尾,将y改为i。代码很简单:
private final void step2() { if (ends("y") && vowelinstem()) b[k] = 'i'; }
第三步,将双后缀的单词映射为单后缀。
/* step3() 将双后缀的单词映射为单后缀。 所以 -ization ( = -ize 加上
-ation) 被映射到 -ize 等等。 注意在去除后缀之前必须确保
m() > 0. */
private final void step3() { if (k == 0) return;  switch (b[k-1])
{
case 'a': if (ends("ational")) { r("ate"); break; }
if (ends("tional")) { r("tion"); break; }
break;
case 'c': if (ends("enci")) { r("ence"); break; }
if (ends("anci")) { r("ance"); break; }
break;
case 'e': if (ends("izer")) { r("ize"); break; }
break;
case 'l': if (ends("bli")) { r("ble"); break; }
if (ends("alli")) { r("al"); break; }while语句怎么用自然语言
if (ends("entli")) { r("ent"); break; }
if (ends("eli")) { r("e"); break; }
if (ends("ousli")) { r("ous"); break; }
break;
case 'o': if (ends("ization")) { r("ize"); break; }
if (ends("ation")) { r("ate"); break; }
if (ends("ator")) { r("ate"); break; }
break;
case 's': if (ends("alism")) { r("al"); break; }
if (ends("iveness")) { r("ive"); break; }
if (ends("fulness")) { r("ful"); break; }
if (ends("ousness")) { r("ous"); break; }
break;
case 't': if (ends("aliti")) { r("al"); break; }
if (ends("iviti")) { r("ive"); break; }
if (ends("biliti")) { r("ble"); break; }
break;
case 'g': if (ends("logi")) { r("log"); break; }
} }
第四步,处理-ic-,-full,-ness等等后缀。和步骤3有着类似的处理。
private final void step4() { switch (b[k])
{
case 'e': if (ends("icate")) { r("ic"); break; }
if (ends("ative")) { r(""); break; }
if (ends("alize")) { r("al"); break; }
break;
case 'i': if (ends("iciti")) { r("ic"); break; }
break;
case 'l': if (ends("ical")) { r("ic"); break; }
if (ends("ful")) { r(""); break; }
break;
case 's': if (ends("ness")) { r(""); break; }
break;
} }
第五步,在<c>vcvc<v>情形下,去除-ant,-ence等后缀。
private final void step5()
{  if (k == 0) return;  switch (b[k-1])
{  case 'a': if (ends("al")) break; return;
case 'c': if (ends("ance")) break;
if (ends("ence")) break; return;
case 'e': if (ends("er")) break; return;
case 'i': if (ends("ic")) break; return;
case 'l': if (ends("able")) break;
if (ends("ible")) break; return;
case 'n': if (ends("ant")) break;
if (ends("ement")) break;
if (ends("ment")) break;
/* ele
ment etc. not stripped before the m */
if (ends("ent")) break; return;
case 'o': if (ends("ion") && j >= 0 && (b[j] == 's' || b[j] == 't')) break;
/* j >= 0 fixes Bug 2 */
if (ends("ou")) break; return;
/* takes care of -ous */
case 's': if (ends("ism")) break; return;
case 't': if (ends("ate")) break;
if (ends("iti")) break; return;
case 'u': if (ends("ous")) break; return;
case 'v': if (ends("ive")) break; return;
case 'z': if (ends("ize")) break; return;
default: return;
}
if (m() > 1) k = j;
}
第六步,也就是最后一步,在m()>1的情况下,移除末尾的“e”。
private final void step6()
{  j = k;
if (b[k] == 'e')
{  int a = m();
if (a > 1 || a == 1 && !cvc(k-1)) k--;
}
if (b[k] == 'l' && doublec(k) && m() > 1) k--;
}
在了解了步骤之后,我们写一个stem()方法,来完成得到词干的工作。
/** 通过调用add()方法来讲单词放入词干器数组b中
* 可以通过下面的方法得到结果:
* getResultLength()/getResultBuffer() or toString().
*/
public void stem()
{  k = i - 1;
if (k > 1) { step1(); step2(); step3(); step4(); step5(); step6(); }
i_end = k+1; i = 0;
}
最后要提醒的就是,传入的单词必须是小写。关于Porter Stemmer的实现,就看到这里。如果是Java代码这么写,无可厚非(实际上也不是很美观)。对于Python来说,如果写成这样,实在是让人难以接受。以后的文章,将会实现符合Python习惯的写法。
需要测试数据这里是样本文件。而相应的输出文件在这里。更多内容请参考。
另外,波特词干算法有第二个版本,它的处理结果要比文中所介绍的算法准确度高,但是,相应地也就更复杂,消耗的时间也就更多。本文就不作解释,详细参考The Porter2 stemming algorithm。

版权声明:本站内容均来自互联网,仅供演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198,我们将在24小时内删除。