python - 在Python中使用短语和词干进行快速词典查找

Question

我正在用 python 构建一个文本分类器，并且我有每个类的关键短语列表。例如，类别可以是“旅行”和“科学”，列表可以包含:

• 旅行:“纽约”、“韩国”、“首尔”等
• 科学:“科学家”、“化学”等。

我正在寻找在 python 中匹配此类列表中的短语的最佳方法。

例如，文档的结果:

A famous scientist traveled from New York to Seoul, South Korea

应该是: “科学”:1 “旅行”:3

即使字符串的“in”运算符得到了很好的优化，也有一些情况需要处理:

• 单词边界:在某些时候，我可以在字典中包含“to”，并且不想匹配“tomorrow”中的“to”。在这种情况下，标记化可以工作，但短语需要一些自定义逻辑，可能是标记列表中的子列表查找。
• 词干提取:当列表中存在“scientist discovery”时，也应匹配“scientists discovery”

有没有一个Python库可以有效地处理这个问题？如果我需要从头开始实现它，在性能方面处理上述问题的最佳方法是什么？

Answer 1

您试图实现的是词干上的短语搜索。这是文本挖掘 我认为该任务已在搜索引擎中实现。

首先，您需要 tokenize 和 stemmer 函数。标记化可以是 就像这样简单:

def tokenize(string):
    return fiter(lambda x: len(x) < 1, remove_punctuation(string).split())

pypi 上有各种词干分析器。

您最终将得到如下所示的函数:

def preprocess(string):
    return [stemmer(word) for word in tokenize(string)]

那么您正在寻找的函数如下所示:

from collections import Counter


def count(dictionary, phrase):
    counter = Count()
    phrase = preprocess(phrase)
    for topic, string in dictionary.items():
        stems = preprocess(string)
        indices = find(phrase, stem[0])
        for index in indices:
            found = True
            for stem in stems[1:]:
                if phrase[index + 1] == stem:
                   continue
                else:
                   found = False
                   break
            if found:
               counter[topic] +=1
    return counter

字典变量包含以下信息:

• 旅行:“纽约”、“韩国”、“首尔”等
• 科学:“科学家”、“化学”等。