python - (生物医学)词干的所有可能词形补全

Question

我熟悉 R 中 tm 包的词干提取和补全。

我正在尝试想出一种快速而肮脏的方法来查找给定单词的所有变体(在某些语料库中。)例如，如果我的输入是，我想得到“leukocytes”和“leuckocytic” “白细胞”。

如果我现在必须这样做，我可能会选择类似的东西:

library(tm)
library(RWeka)
dictionary <- unique(unlist(lapply(crude, words)))
grep(pattern = LovinsStemmer("company"), 
    ignore.case = T, x = dictionary, value = T)

我用Lovins是因为Snowball的Porter好像攻击性不够。

我愿意接受有关其他词干分析器、脚本语言(Python？)或完全不同的方法的建议。

Answer 1

此解决方案需要预处理您的语料库。但是一旦完成，它就是一个非常快速的字典查找。

from collections import defaultdict
from stemming.porter2 import stem

with open('/usr/share/dict/words') as f:
    words = f.read().splitlines()

stems = defaultdict(list)

for word in words:
    word_stem = stem(word)
    stems[word_stem].append(word)

if __name__ == '__main__':
    word = 'leukocyte'
    word_stem = stem(word)
    print(stems[word_stem])

对于 /usr/share/dict/words 语料库，这会产生结果

['leukocyte', "leukocyte's", 'leukocytes']

它使用 stemming可以安装的模块

pip install stemming