问题标签 [porter-stemmer]

我正在使用 mahout 使用 LDA 进行主题发现。为了准备我的数据，我使用seq2sparsewhich 标记文档并创建 n-gram。但是它默认不支持词干。我想知道 Mahout 是否有任何内置词干？如果没有，我应该实施自己的吗？有什么推荐吗？

使用包中的 RstemDocument函数tm（参见下面的会话信息）我得到：

然而，当在 Java 中使用这个实现以及使用这个“在线 Porter 词干分析器”时，词干“cmos”的结果将是：“cmo”。

同样在原始文章中，步骤 1a 规则说：

这意味着以“s”结尾的字符串“cmos”应该被删除为“cmo”，删除“s”。

那么为什么 R 的stemDocument函数行为不同呢？

我是 drupal 新手，但能够使用 microsoft web 平台安装程序安装 acquia-drupal 7。我正在尝试添加 porter stemmer 模块，但无论我选择什么版本，我都会收到此错误

如何正确安装并停止此警告？

最近我正在研究应用程序来做一些文本处理，比如词干提取，我在这个链接的 c# 代码中找到了词干移植：http: //snowball.tartarus.org/otherlangs/english_cpp.txt

我尝试运行，但文本的任何内容都发生了变化。我尝试调用词干类，如下所示：

我无法正确获得结果..输出给我的包含与输入完全相同..这里是 input.txt 的示例：

这里主要是搬运工干代码：

有谁知道如何完成该代码？所以我可以在我的最终项目中使用它。谢谢你。

我在我的项目中导入 nltk 库，它给出了以下错误。如果有人有同样的错误，请帮忙。

我已经安装了所有 nltk 软件包。我不知道。

我试图了解 snoball 词干算法。该算法使用两个区域 R1 和 R2，定义如下：

R1 是元音后面的第一个非元音之后的区域，如果没有这样的非元音，R1 是单词末尾的空区域。

R2 是 R1 中元音之后的第一个非元音之后的区域，或者如果没有这样的非元音，则为单词末尾的空区域。

http://snowball.tartarus.org/texts/r1r2.html

例子是

我的问题是，为什么 springkled 中的“kled”和圣餐中的“harist”被定义为 R1？我认为正确的结果是“inkled”和“arist”？

我有一个文本文件，我正在尝试使用词干分析器。

词干分析器会去除词的后缀。例如，在词干处理之后，“have had have”将是“have have have”。为了做到这一点，必须拆分字符串，因为词干分析器一次只能处理一个单词。拆分和词干提取后，输出如下所示：“havehavehave”。如何将其恢复为正确的格式？

我正在使用 scikit-learn 并正在构建管道。构建管道后，我将使用 GridSearchCV 来查找最佳模型。我正在处理文本数据，所以我正在尝试不同的词干分析器。我创建了一个名为 Preprocessor 的类，它接受一个词干分析器和向量化器类，然后尝试覆盖向量化器的方法 build_analyzer 以合并给定的词干分析器。但是，我看到 GridSearchCV 的 set_params 只是直接访问实例变量——即它不会用新的分析器重新实例化矢量化器，就像我一直在做的那样：

所以问题是：如何为传入的所有矢量化器类覆盖 build_analyzer？

我正在导入 nltk，但它给出了以下错误。

几天前我的 nltk 工作正常，我没有更新或更改任何内容，而且我还安装了所有 nltk 数据。

Problem: Is there an option to stem the words using stanford-core-nlp? I am not able to find one! I am using the stanford-corenlp-3.5.2.jar.

Code: