如何在 Java 中检索词素的所有变体？

Question

我正在寻找一种方法来检索特定单词词素的所有变体。

示例：运行ning -> (运行, 运行s, 运行, 运行ning…)

我根据 this post 尝试了 Stanford NLP。但是，引理注释器仅检索引理 (运行ning -> 运行)，而不是完整的变体集。有没有办法用 Stanford NLP 或另一个 Java Lib/Framework?

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抓取 WordNet 或类似词典。

Answer 1

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 Stanford NLP 一样，大多数库只会提供 word --> lemma 的映射。请注意，这是一个多对一的函数，即反函数在一个词space中没有明确定义。然而，它是一个定义良好的函数，从单词的 space 到单词集的 space（即，它是单词-space 中的一对多映射）。

如果不维护某种形式的显式映射，就不可能生成来自给定引理的所有变体。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 的映射而无需太多编码（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 Stanford NLP 注释您的语料库时，您可以获得引理及其对应的标记，并填充上述映射（或多映射）。这样，在单次遍历数据集后，您将获得所需的逆词形还原。

请注意，这将仅限于您正在使用的 corpus/dataset，并且不会包括所有英语单词。

另一个注意事项是，人们通常认为词形变化是由词性唯一确定的。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。这就是我之前回答中 "lossy, one-way function" 的意思。

如何在 Java 中检索词素的所有变体？

How to retrieve all variants of a lexeme in Java?

java

nlp

stanford-nlp

lemmatization