如何将具有相同含义的派生词分类为相同的标记？

Question

我想数一数文章中不相关的词，但我很难将从另一篇文章中派生出来的意思相同的词进行分组

例如，我希望{}和{}在{}和{}这样的句子中被视为相同的标记。因此，如果这两个句子构成了整篇文章，那么{}（或{}）的计数将是3（{}将不被计数）

我试过使用NLTK的词干分析器和柠檬酸盐分析器，但没有用。大多数人似乎把gas复制为gas和gasoline复制为gasolin，这对我的目的毫无帮助。我知道这是通常的行为。我已经检查了一个thread似乎有点类似，但是那里的答案并不完全适用于我的情况，因为我需要从另一个词派生出这些词

如何将具有相同含义的派生词视为相同的标记，以便将它们计算在一起

Answer 1

我建议采取两步办法：

首先，通过比较单词嵌入（仅非停止词）查找同义词。这应该删除类似的书面单词，它们意味着其他东西，例如gasoline和gaseous

然后，检查同义词是否共享部分词干。本质上是if "gas" is in "gasolin"，反之亦然。这就足够了，因为你只比较你的同义词

import spacy
import itertools
from nltk.stem.porter import *
threshold = 0.6

#compare the stems of the synonyms
stemmer = PorterStemmer()
def compare_stems(a, b):
  if stemmer.stem(a) in stemmer.stem(b):
    return True
  if stemmer.stem(b) in stemmer.stem(a):
    return True
  return False

candidate_synonyms = {}
#add a candidate to the candidate dictionary of sets
def add_to_synonym_dict(a,b):
  if a not in candidate_synonyms:
    if b not in candidate_synonyms:
      candidate_synonyms[a] = {a, b}
      return
    a, b = b,a
  candidate_synonyms[a].add(b)

nlp = spacy.load('en_core_web_lg') 

text = u'The price of gasoline has risen. "Gas" is a colloquial form of the word gasoline in North American English. Conversely in BE the term would be petrol. A gaseous state has nothing to do with oil.'

words = nlp(text)

#compare every word with every other word, if they are similar
for a, b in itertools.combinations(words, 2):
  #check if one of the word pairs are stopwords or punctuation
  if a.is_stop or b.is_stop or a.is_punct or b.is_punct:
    continue
  if a.similarity(b) > threshold:
    if compare_stems(a.text.lower(), b.text.lower()):
      add_to_synonym_dict(a.text.lower(), b.text.lower())



print(candidate_synonyms)
#output: {'gasoline': {'gas', 'gasoline'}}

然后，您可以根据同义词在文本中的外观来计算候选同义词

注意：我偶然选择了0.6同义词的阈值。您可能会测试哪个阈值适合您的任务。另外，我的代码只是一个快速而肮脏的例子，这可以做得更干净。 `