Nltk: पोर्टर स्टेमर लोअरकेस के बजाय पूंजी लौटाता है

किसी भी स्टेमिंग के लिए, क्या हमें पहले उन्हें सामान्यीकरण के हिस्से के रूप में लोअरकेस में परिवर्तित नहीं करना चाहिए?

Oh का उपयोग करके पूंजीकृत आउटपुट का एक और उदाहरण

>>> from nltk.stem import PorterStemmer
>>> porter = PorterStemmer()
>>> porter.stem('Oh')
'Oh'

मुझे लगता है कि ऐसा इसलिए है क्योंकि मूल रूप से यह संक्षेप का मूल रूप रहना चाहता है जब शब्द की लंबाई 2 से कम हो, जैसे राज्यों के संक्षेप।

def stem(self, word):
    stem = word.lower()

    if self.mode == self.NLTK_EXTENSIONS and word in self.pool:
        return self.pool[word]

    if self.mode != self.ORIGINAL_ALGORITHM and len(word) <= 2:
        # With this line, strings of length 1 or 2 don't go through
        # the stemming process, although no mention is made of this
        # in the published algorithm.
        return word

    stem = self._step1a(stem)
    stem = self._step1b(stem)
    stem = self._step1c(stem)
    stem = self._step2(stem)
    stem = self._step3(stem)
    stem = self._step4(stem)
    stem = self._step5a(stem)
    stem = self._step5b(stem)

    return stem

शब्द 'इन' और 'ओह' दोनों self.pool , और len(word)<=2 , जिसका अर्थ है कि यह यहां स्टेम की स्थिति को संतुष्ट नहीं करता है, इसलिए यह वही रहता है।

अगर इसे असाइन नहीं किया गया है, तो क्या मैं इस पर काम कर सकता हूं? यह मेरा पहली बार किसी परियोजना में योगदान कर रहा है।

@PhanatosZou परिवर्तन करने और पुल अनुरोध बनाने के लिए स्वतंत्र महसूस करता है। मुख्य कोड जिसे बदलने की आवश्यकता है वह है:

if self.mode != self.ORIGINAL_ALGORITHM and len(word) <= 2:
    # With this line, strings of length 1 or 2 don't go through
    # the stemming process, although no mention is made of this
    # in the published algorithm.
    return stem

लेकिन सभी कुंजियों को self.pool में जांचना अच्छा होगा और यदि वे गैर-कैप हैं, तो इसमें भी बदलाव करें:

if self.mode == self.NLTK_EXTENSIONS and word in self.pool:
    return self.pool[stem]

बढ़िया है! मैं इस पर काम करूंगा।