多语言文本语料库的词干提取

Question

我有一个文本语料库，其中包含英语、俄语和波兰语的项目描述。

这个文本语料库有 68K 个观察值。其中一些观察结果是用英语写的，一些是俄语的，还有一些是波兰语的。

你能告诉我如何正确和成本效益 在这种情况下实施词干提取？我不能对俄语单词使用英语词干分析器，反之亦然。

很遗憾，我找不到合适的语言标识符。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))))

Answer 1

即使 API 不是那么好，您也可以使 langdetect 仅限于您实际使用的语言。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

虽然不受限制的 langdetect 似乎认为 "today" 是索马里语，但如果您只会英语、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]

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

多语言文本语料库的词干提取

Stemming of the multilingual text corpus

python

text-processing

nlp

stemming

nltk