java - 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 ->(运行、运行、运行、运行...)

我根据 this post 尝试了斯坦福 NLP 。但是，引理注释器仅检索引理(运行 -> 运行)，而不是完整的变体集。有没有办法使用斯坦福 NLP 或其他 Java 库/框架来做到这一点？

澄清:我不搜索词干分析器。另外，我希望避免从头开始编写新算法来抓取 WordNet 或类似的词典。

Answer 1

简单来说，标准 NLP 库或工具包不太可能解决这个问题。与斯坦福 NLP 一样，大多数库仅提供从 word --> lemma 的映射。请注意，这是一个多对一函数，即反函数在单词空间中没有明确定义。然而，它是一个从单词空间到单词集空间的明确定义的函数(即，它是单词空间中的一对多映射)。

如果不维护某种形式的显式映射，就不可能从给定引理生成所有变体。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(并且绝对不需要编码新算法):

// Java
Map<String, Set<String>> inverseLemmaMap = new HashMap<>();

// Guava
Multimap<String, String> inverseLemmaMap = HashMultimap.create();

然后，当您使用斯坦福 NLP 注释您的语料库时，您可以获得引理及其相应的标记，并填充上面的映射(或多映射)。这样，在对数据集进行一次传递后，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语料库/数据集，并且并非所有英语单词都将包含在内。

另一个注意事项是，人们常常认为词形变化是由词性唯一决定的。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。这就是我在前面的回答中所说的“有损单向函数”的意思。