Nltk: ArabicStemmer AttributeError

Criado em 11 out. 2017 · 7Comentários · Fonte: nltk/nltk

Não estou conseguindo conter certos termos árabes usando o SnowballStemmer. Muitos termos são originados com sucesso, mas alguns termos fazem com que um AttributeError seja gerado. Veja abaixo um exemplo mínimo que falha no termo 'de'.

(anaconda2-4.4.0) richard-balmer-macbook:~ richardbalmer$ pip freeze | grep nltk
nltk==3.2.5
(anaconda2-4.4.0) richard-balmer-macbook:~ richardbalmer$ ipython
Python 2.7.13 |Anaconda custom (x86_64)| (default, Dec 20 2016, 23:05:08)
Type "copyright", "credits" or "license" for more information.

IPython 5.3.0 -- An enhanced Interactive Python.
?         -> Introduction and overview of IPython's features.
%quickref -> Quick reference.
help      -> Python's own help system.
object?   -> Details about 'object', use 'object??' for extra details.

In [1]: from nltk.stem.snowball import SnowballStemmer

In [2]: stemmer = SnowballStemmer('arabic')

In [3]: stemmer.stem(u'تسدد')
Out[3]: u'\u062a\u0633\u062f\u062f'

In [4]: stemmer.stem(u'من')
---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-4-ffa733106049> in <module>()
----> 1 stemmer.stem(u'من')

/Users/richardbalmer/.pyenv/versions/anaconda2-4.4.0/lib/python2.7/site-packages/nltk/stem/snowball.pyc in stem(self, word)
    762                 modified_word = self.__Suffix_Verb_Step2b(modified_word)
    763                 if not self.suffix_verb_step2b_success:
--> 764                     modified_word = self.__Suffix_Verb_Step2a(modified_word)
    765         if self.is_noun:
    766             modified_word = self.__Suffix_Noun_Step2c2(modified_word)

/Users/richardbalmer/.pyenv/versions/anaconda2-4.4.0/lib/python2.7/site-packages/nltk/stem/snowball.pyc in __Suffix_Verb_Step2a(self, token)
    533                     break
    534
--> 535                 if suffix in self.__conjugation_suffix_verb_present and len(token) > 5:
    536                     token = token[:-2]  # present
    537                     self.suffix_verb_step2a_success = True

AttributeError: 'ArabicStemmer' object has no attribute '_ArabicStemmer__conjugation_suffix_verb_present'

bug pleaseverify resolved tests

Fonte

richbalmer

👍2

Comentários muito úteis

@richbalmer Obrigado por relatar o problema.

@LBenzahia Você poderia ajudar a investigar isso? Desde já, obrigado!

alvations em 13 out. 2017

👍2

Todos 7 comentários

@richbalmer Obrigado por relatar o problema.

@LBenzahia Você poderia ajudar a investigar isso? Desde já, obrigado!

alvations em 13 out. 2017

👍2

Olá @richbalmer, obrigado por relatar, A primeira palavra 'تسدد' é a melhor raiz possível porque o lematizador árabe Snowball baseado em algoritmo de lematização leve lida com prefixos / sufixos, se você está procurando a raiz de "تسدد", pode usar ISRI (raiz -baseada lematizador / lematização profunda), a segunda palavra 'من' é uma palavra de interrupção, você deve usar o filtro de palavra de interrupção antes de começar a usar Snowball ArabicStemmer. Além disso, este lematizador não trata do caso quando a palavra tem 2 letras.
De qualquer forma, resolvi o problema neste PR # 1856.
Obrigado novamente!

LBenzahia em 13 out. 2017

@LBenzahia obrigado por analisar isso tão rapidamente! Estou entendendo:

  File "/Users/richardbalmer/src/nltk/nltk/stem/util.py", line 24
    arabic_stopwords = ['إذ',
                             ^
SyntaxError: Non-ASCII character '\xd8' in file /Users/richardbalmer/src/nltk/nltk/stem/util.py on line 24, but no encoding declared; see http://python.org/dev/peps/pep-0263/ for details

O que também parece estar fazendo com que os testes falhem no Jenkins (https://nltk.ci.cloudbees.com/job/pull_request_tests/454/TOXENV=py27-jenkins,jdk=jdk8latestOnlineInstall/testReport/nose.failure/Failure/runTest /). Acho que tudo que você precisa fazer é colocar # -*- coding: utf-8 -*- no topo de stem/util.py .

Além disso, depois de corrigir isso localmente, recebo um UnicodeWarning:

/Users/richardbalmer/src/nltk/nltk/stem/snowball.py:748: UnicodeWarning: Unicode equal comparison failed to convert both arguments to Unicode - interpreting them as being unequal
  if word in arabic_stopwords:

Pode valer a pena transformar essas palavras irrelevantes em strings Unicode.

Fora isso, parece que sua correção funciona bem para mim - obrigado novamente!

ps Uma outra sugestão: testar a inclusão do conjunto é muito mais rápido do que a inclusão da lista, então pode valer a pena transformar essa lista de palavras irrelevantes em um conjunto.

richbalmer em 13 out. 2017

👍1

@richbalmer, você está usando o python2.7? ,