英文分词的算法和原理

根据文档相关性计算公式

• TF-IDF:http://lutaf.com/210.htm
• BM25:http://lutaf.com/211.htm

分词质量对于基于词频的相关性计算是无比重要的

英文(西方语言）语言的基本单位就是单词，所以分词特别容易做，只需要3步：

1. 根据空格/符号/段落 分隔,得到单词组
2. 过滤，排除掉stop word
3. 提取词干

第一步：按空格/符号分词

用正则表达式很容易

1. pattern = r'''(?x)    # set flag to allow verbose regexps

2.      ([A-Z]\.)+        # abbreviations, e.g. U.S.A.

3.    | \w+(-\w+)*        # words with optional internal hyphens

4.    | \$?\d+(\.\d+)?%?  # currency and percentages, e.g. $12.40, 82%

5.    | \.\.\.            # ellipsis

6.    | [][.,;"'?():-_`]  # these are separate tokens

7.    '''

8. re.findall(pattern,待分词文本)

第二步：排除stop word

stopword就是类似a/an/and/are/then 的这类高频词，高频词会对基于词频的算分公式产生极大的干扰，所以需要过滤

第三步：提取词干

词干提取(Stemming) 这是西方语言特有的处理，比如说英文单词有 单数复数的变形，-ing和-ed的变形，但是在计算相关性的时候，应该当做同一个单词。比如 apple和apples，doing和done是同一个词，提取词干的目的就是要合并这些变态

Stemming有3大主流算法

• Porter Stemming
• Lovins stemmer
• Lancaster Stemming

Lucene 英文分词自带了3个stemming算法，分别是

1. EnglishMinimalStemmer
2. 著名的 Porter Stemming
3. KStemmer

词干提取算法并不复杂，要么是一堆规则，要么用映射表，编程容易，但是必须是这种语言的专家，了解构词法才行啊

http://text-processing.com/demo/stem/ 是一个在线试验词干提取算法的网站

Lemmatisation

Lemmatisation是和词干提取(Stemming) 齐名的一个语言学名词，中文可以叫做 词形还原 ,就是通过查询字典，把 "drove" 还原到 "drive"
而stemming会把单词变短，"apples","apple"处理之后都变成了 "appl"

• wikipedia关于词形还原的简介
• European languages lemmatizer 一个c语言的lib

做计算机语言学研究才会涉及到lemmatization，我个人觉得做搜索完全可以不考虑，Stemming已经可以解决大问题了

参考

• http://text-processing.com/
• www.nltk.org python的自然语言包，非常有用
• PYTHON自然语言处理中文版.pdf