Esta saída é inesperada. O In
retorna a capitalização In
da saída de PorterStemmer.
>>> from nltk.stem import PorterStemmer
>>> porter = PorterStemmer()
>>> porter.stem('In')
'In'
Mais detalhes em https://stackoverflow.com/q/60387288/610569
Para qualquer lematização, não devemos primeiro convertê-los em minúsculas como parte da normalização?
Outro exemplo de saída em letras maiúsculas usando Oh
>>> from nltk.stem import PorterStemmer
>>> porter = PorterStemmer()
>>> porter.stem('Oh')
'Oh'
Acho que é porque originalmente ele deseja manter a forma original de abreviações quando a palavra tem comprimento menor que 2, como abreviações de estados.
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
As palavras 'In' e 'Oh' não estão em self.pool
e len(word)<=2
, o que significa que ela não satisfaz a condição de radical aqui, portanto, permanece a mesma.
Se não estiver atribuído, posso trabalhar nisso? É minha primeira vez contribuindo para um projeto.
@PhanatosZou sinta-se à vontade para fazer as alterações e criar uma solicitação pull. O código principal que precisa ser alterado é:
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
Mas será bom verificar todas as chaves em self.pool
e, se não forem maiúsculas, faça alterações também:
if self.mode == self.NLTK_EXTENSIONS and word in self.pool:
return self.pool[stem]
Soa bem! Vou trabalhar nisso.