- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
自然语言处理(NLP),尤其是英语,已经发展到如果存在“完美”词形还原器,词干提取将成为一项过时技术的阶段。这是因为词干分析器将单词/标记的表面形式更改为一些无意义的词干。
然而,“完美”词形还原器的定义仍然存在疑问,因为不同的 NLP 任务需要不同级别的词形还原。例如。 Convert words between verb/noun/adjective forms 。
词干提取器
[in]: having
[out]: hav
词形还原器
[in]: having
[out]: have
所以问题是,英语词干分析器现在还有用吗?因为我们有大量的英语词形还原工具
如果不是,那么我们应该如何继续构建强大的词形还原器可以采用 nounify
、verbify
、adjectify
和 adverbify
预处理?
如何将词形还原任务轻松扩展到其他语言与英语有相似的形态结构?
最佳答案
问题 1:“[..] 英语词干分析器现在有用吗?因为我们有大量的英语词形还原工具”
是的。 词干提取器比词形还原器更简单、更小,并且通常更快,并且对于许多应用来说,它们的结果足够好。为此使用词形还原器是一种资源浪费。例如,考虑信息检索中的降维。您可以在搜索文档和查询中将所有drive/driven替换为drive。您不关心它是drive、drive还是x17a$,只要它将词形变化相关的单词聚集在一起即可。
问题 2:“[..]我们应该如何继续构建强大的词形还原器来进行名词化、动词化、形容词化和副词化预处理?
您对引理的定义是什么,它是否包含派生(drive - driver)或仅包含变形(drive - 驱动 - 驱动)?它考虑到语义了吗?
如果您想包含派生(大多数人会说包括动词名词等),请记住,派生比词形变化更加不规则。有很多特质、差距等。您是否真的希望改变(改变火车)和改变(作为硬币)拥有相同的引理?如果不是,你在哪里划定界限? 神经 - 放松,地球 - 发掘 - 地球,.. .这实际上取决于应用程序。
如果考虑语义(bank将被标记为bank-money或bank-river取决于上下文),你要深入到什么程度(你能区分银行机构和银行大楼)吗?有些应用程序可能根本不关心这一点,有些应用程序可能想要区分基本语义,有些应用程序可能希望它是细粒度的。
问题3:“词形还原任务如何轻松扩展到与英语具有相似形态结构的其他语言?”
“与英语相似的形态结构”是什么意思?英语几乎没有屈折形态。对于其他形态类型的语言(真正的屈折、粘着、模板等),有很好的词形还原器。
除了粘着语言可能存在的异常(exception)情况外,我认为查找表(例如压缩特里树)是最好的解决方案。 (可能有一些针对未知单词的备份规则,例如专有名称)。查找之后是某种消歧(范围从琐碎的 - 取第一个,或取第一个与单词 POS 标签一致的,到更复杂的)。更复杂的消歧通常是有监督的随机算法(例如 TreeTagger 或 Faster ),尽管也已经完成了机器学习和手动创建规则的组合(参见例如 this )。
显然,对于大多数语言,您不希望通过以下方式创建查找表手,而是从形态的描述中生成它那种语言。对于屈折语言,你可以去工程捷克语的 Hajic 或俄语的 Mikheev 的方式,或者,如果你够大胆的话,您使用两级形态学。或者你可以在两者之间做一些事情,如Hana (我自己)(注意这些都是满的包括词形还原作为其功能之一的形态分析器)。或者你可以学习以无监督的方式进行词形还原 Yarowsky andWicentowski ,可能通过手动后处理,纠正最常用的词。
有太多选择,这实际上完全取决于您想要对结果做什么。
关于nlp - 词干提取器与词形还原器,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/17317418/
我正在做一个业余爱好项目,使用 Ruby、PHP 或 Java 来抓取 ASP.net 网站的内容。例如,如果网站 url“www.myaspnet.com/home.aspx”。我想从 home.a
如果我有这些字符串: mystrings <- c("X2/D2/F4", "X10/D9/F4", "X3/D22/F4",
我有以下数据集 > head(names$SAMPLE_ID) [1] "Bacteria|Proteobacteria|Gammaproteobacteria|Pseudomonadales|Mor
设置: 3个域类A,B和C。A和B在插件中。 C在依赖于此插件的应用程序中。 class A{ B b static mapping = { b fetch: 'joi
我不知道如何提取 XML 文件中的开始标记元素名称。我很接近〜意味着没有错误,我正在获取标签名称,但我正在获取标签名称加上信息。我得到的是: {http://www.publishing.org}au
我有一个字符串 x <- "Name of the Student? Michael Sneider" 我想从中提取“Michael Sneider”。 我用过: str_extract_all(x,
我有一个如下所示的文本文件: [* content I want *] [ more content ] 我想读取该文件并能够提取我想要的内容。我能做的最好的事情如下,但它会返回 [更多内容] 请注意
假设我有一个项目集合 $collection = array( 'item1' => array( 'post' => $post, 'ca
我正在寻找一种过滤文本文件的方法。我有许多文件夹名称,其中包含许多文本文件,文本文件有几个没有人员,每个人员有 10 个群集/组(我在这里只显示了 3 个)。但是每个组/簇可能包含几个原语(我在这里展
我已经编写了一个从某个网页中提取网址的代码,我面临的问题是它不会以网页上相同的方式提取网址,我的意思是如果该网址位于某些网页中法语,它不会按原样提取它。我该如何解决这个问题? import reque
如何在 C# 中提取 ZipFile?(ZipFile 是包含文件和目录) 最佳答案 为此使用工具。类似于 SharpZip .据我所知 - .NET 不支持开箱即用的 ZIP 文件。 来自 here
我有一个表达: [training_width]:lofmimics 我要提取[]之间的内容,在上面的例子中我要 training_width 我试过以下方法: QRegularExpression
我正在尝试创建一个 Bash 脚本,该脚本将从命令行给出的最后一个参数提取到一个变量中以供其他地方使用。这是我正在处理的脚本: #!/bin/bash # compact - archive and
我正在寻找一个 JavaScript 函数/正则表达式来从 URI 中提取 *.com...(在客户端完成) 它应该适用于以下情况: siphone.com = siphone.com qwr.sip
关闭。这个问题需要更多focused .它目前不接受答案。 想改进这个问题吗? 更新问题,使其只关注一个问题 editing this post . 关闭 8 年前。 Improve this qu
编辑:添加了实际的 JSON 对象和代码以供审查 我有这种格式的 JSON(只是这种层次结构,假设 JSON 正常工作) {u'kind': u'calendar#events', u'default
我已经编写了代码来使用 BeautifulSoup 提取一本书的 url 和标题来自页面。 但它并没有在 > 之间提取惊人的 super 科学故事 1930 年 4 月这本书的名字。和 标签。 如何提
使用 Java,我想提取美元符号 $ 之间的单词。 例如: String = " this is first attribute $color$. this is the second attribu
您好,我正在尝试找到一种方法来确定字符串中的常量,然后提取该常量左侧的一定数量的字符。 例如-我有一个 .txt 文件,在那个文件的某处有数字 00nnn 数字的例子是 00234 00765 ...
php读取zip文件(删除文件,提取文件,增加文件)实例 从zip压缩文件中提取文件 复制代码 代码如下: <?php /* php 从zip压缩文件
我是一名优秀的程序员,十分优秀!