java - StanleyCoreNLP 不按照我的方式工作

Question

我使用下面的代码。然而，结果并不是我所期望的。结果是[机器，学习]但我想得到[机器，学习]。我怎样才能做到这一点？另外，当我的输入是 "biggeSTLarger" 时，我想得到像 [big, big] 这样的结果，但结果只是 [biggeSTLarger]

(PS:我只是在 eclipse 中添加这四个 jar:joda-time.jar、stanford-corenlp-3.3.1-models.jar、stanford-corenlp-3.3.1.jar、xom.jar 我还需要添加一些吗？)

import java.util.LinkedList;
import java.util.List;
import java.util.Properties;

import edu.stanford.nlp.ling.CoreAnnotations.LemmaAnnotation;
import edu.stanford.nlp.ling.CoreAnnotations.SentencesAnnotation;
import edu.stanford.nlp.ling.CoreAnnotations.TokensAnnotation;
import edu.stanford.nlp.ling.CoreLabel;
import edu.stanford.nlp.pipeline.Annotation;
import edu.stanford.nlp.pipeline.StanfordCoreNLP;
import edu.stanford.nlp.util.CoreMap;

public class StanfordLemmatizer {

    protected StanfordCoreNLP pipeline;

    public StanfordLemmatizer() {
        // Create StanfordCoreNLP object properties, with POS tagging
        // (required for lemmatization), and lemmatization
        Properties props;
        props = new Properties();
        props.put("annotators", "tokenize, ssplit, pos, lemma");


        this.pipeline = new StanfordCoreNLP(props);
    }

    public List<String> lemmatize(String documentText)
    {
        List<String> lemmas = new LinkedList<String>();
        // Create an empty Annotation just with the given text
        Annotation document = new Annotation(documentText);
        // run all Annotators on this text
        this.pipeline.annotate(document);
        // Iterate over all of the sentences found
        List<CoreMap> sentences = document.get(SentencesAnnotation.class);
        for(CoreMap sentence: sentences) {
            // Iterate over all tokens in a sentence
            for (CoreLabel token: sentence.get(TokensAnnotation.class)) {
                // Retrieve and add the lemma for each word into the
                // list of lemmas
                lemmas.add(token.get(LemmaAnnotation.class));
            }
        }
        return lemmas;
    }


    // Test
    public static void main(String[] args) {
        System.out.println("Starting Stanford Lemmatizer");
        String text = "Machine Learning\n";
        StanfordLemmatizer slem = new StanfordLemmatizer();
        System.out.println(slem.lemmatize(text));
    }

}

Answer 1

理想情况下，词形还原应返回一组单词的规范形式(称为“引理”或“中心词”)。然而，这种规范形式并不总是我们直观所期望的。例如，您期望“学习”产生引理“学习”。但是名词“learning”具有引理“learning”，而只有现在进行时动词“learning”具有引理“learn”。如果出现歧义，词形还原器应依赖于词性标记中的信息。

嗯，这解释了机器学习，但是大、更大、最大呢？

词形还原取决于词法分析。斯坦福形态学类(class)通过仅删除词形变化(而不是派生形态)来计算英语单词的基本形式。也就是说，它只处理名词复数、代词格和动词结尾，而不处理形容词比较级或派生名词之类的内容。它基于 John Carroll 等人用 flex 编写的有限状态传感器。我找不到原始版本，但Java版本似乎是available here .

这就是为什么最大不会产生大。

不过，WordNet 词汇数据库解析为正确的引理。我通常使用 WordNet 进行词形还原任务，到目前为止还没有发现重大问题。正确处理您的示例的另外两个众所周知的工具是

1. CST Lemmatizer
2. MorphAdorner