Discussion :

[Bruno13]

Bonjour à tous,

Je cherche depuis quelques temps un algo permettant de faire de la lématisation de mot et voilà qu'aujourd'hui je tombe sur ce site ( http://snowball.tartarus.org/texts/s...soverview.html ) qui propose si j'ai bien compris, un algo par langage pour lematiser automatiquement des mots.

Mais voilà, je ne suis vraiment pas doué en C et donc impossible pour moi de convertir (où d'utiliser tel quel) le code C en Pascal.

Est-ce que cela tente quelqu'un de m'aide, me guider, pour en faire une unité pour Delphi ?

PS : je suis intéressé pour la traduction des algos EN (Porter2), FR en priorité.

Dans l'attente de vous lire,
Cordialement,
Bruno

[Bruno13]

Si cela peut aider , voilà l'algo pour le stemming (lématisation) que je chercher à traduire en priorité.

Merci pour votre aide,

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
integers ( p1 p2 )
booleans ( Y_found )
 
routines (
    prelude postlude
    mark_regions
    shortv
    R1 R2
    Step_1a Step_1b Step_1c Step_2 Step_3 Step_4 Step_5
    exception1
    exception2
)
 
externals ( stem )
 
groupings ( v v_WXY valid_LI )
 
stringescapes {}
 
define v        'aeiouy'
define v_WXY    v + 'wxY'
 
define valid_LI 'cdeghkmnrt'
 
define prelude as (
    unset Y_found
    do ( ['{'}'] delete)
    do ( ['y'] <-'Y' set Y_found)
    do repeat(goto (v ['y']) <-'Y' set Y_found)
)
 
define mark_regions as (
    $p1 = limit
    $p2 = limit
    do(
        among (
            'gener'
            'commun'  //  added May 2005
            'arsen'   //  added Nov 2006 (arsenic/arsenal)
            // ... extensions possible here ...
        ) or (gopast v  gopast non-v)
        setmark p1
        gopast v  gopast non-v  setmark p2
    )
)
 
backwardmode (
 
    define shortv as (
        ( non-v_WXY v non-v )
        or
        ( non-v v atlimit )
    )
 
    define R1 as $p1 <= cursor
    define R2 as $p2 <= cursor
 
    define Step_1a as (
        try (
            [substring] among (
                '{'}' '{'}s' '{'}s{'}'
                       (delete)
            )
        )
        [substring] among (
            'sses' (<-'ss')
            'ied' 'ies'
                   ((hop 2 <-'i') or <-'ie')
            's'    (next gopast v delete)
            'us' 'ss'
        )
    )
 
    define Step_1b as (
        [substring] among (
            'eed' 'eedly'
                (R1 <-'ee')
            'ed' 'edly' 'ing' 'ingly'
                (
                test gopast v  delete
                test substring among(
                    'at' 'bl' 'iz'
                         (<+ 'e')
                    'bb' 'dd' 'ff' 'gg' 'mm' 'nn' 'pp' 'rr' 'tt'
                    // ignoring double c, h, j, k, q, v, w, and x
                         ([next]  delete)
                    ''   (atmark p1  test shortv  <+ 'e')
                )
            )
        )
    )
 
    define Step_1c as (
        ['y' or 'Y']
        non-v not atlimit
        <-'i'
    )
 
    define Step_2 as (
        [substring] R1 among (
            'tional'  (<-'tion')
            'enci'    (<-'ence')
            'anci'    (<-'ance')
            'abli'    (<-'able')
            'entli'   (<-'ent')
            'izer' 'ization'
                      (<-'ize')
            'ational' 'ation' 'ator'
                      (<-'ate')
            'alism' 'aliti' 'alli'
                      (<-'al')
            'fulness' (<-'ful')
            'ousli' 'ousness'
                      (<-'ous')
            'iveness' 'iviti'
                      (<-'ive')
            'biliti' 'bli'
                      (<-'ble')
            'ogi'     ('l' <-'og')
            'fulli'   (<-'ful')
            'lessli'  (<-'less')
            'li'      (valid_LI delete)
        )
    )
 
    define Step_3 as (
        [substring] R1 among (
            'tional'  (<- 'tion')
            'ational' (<- 'ate')
            'alize'   (<-'al')
            'icate' 'iciti' 'ical'
                      (<-'ic')
            'ful' 'ness'
                      (delete)
            'ative'
                      (R2 delete)  // 'R2' added Dec 2001
        )
    )
 
    define Step_4 as (
        [substring] R2 among (
            'al' 'ance' 'ence' 'er' 'ic' 'able' 'ible' 'ant' 'ement'
            'ment' 'ent' 'ism' 'ate' 'iti' 'ous' 'ive' 'ize'
                      (delete)
            'ion'     ('s' or 't' delete)
        )
    )
 
    define Step_5 as (
        [substring] among (
            'e' (R2 or (R1 not shortv) delete)
            'l' (R2 'l' delete)
        )
    )
 
    define exception2 as (
 
        [substring] atlimit among(
            'inning' 'outing' 'canning' 'herring' 'earring'
            'proceed' 'exceed' 'succeed'
 
            // ... extensions possible here ...
 
        )
    )
)
 
define exception1 as (
 
    [substring] atlimit among(
 
        /* special changes: */
 
        'skis'      (<-'ski')
        'skies'     (<-'sky')
        'dying'     (<-'die')
        'lying'     (<-'lie')
        'tying'     (<-'tie')
 
        /* special -LY cases */
 
        'idly'      (<-'idl')
        'gently'    (<-'gentl')
        'ugly'      (<-'ugli')
        'early'     (<-'earli')
        'only'      (<-'onli')
        'singly'    (<-'singl')
 
        // ... extensions possible here ...
 
        /* invariant forms: */
 
        'sky'
        'news'
        'howe'
 
        'atlas' 'cosmos' 'bias' 'andes' // not plural forms
 
        // ... extensions possible here ...
    )
)
 
define postlude as (Y_found  repeat(goto (['Y']) <-'y'))
 
define stem as (
 
    exception1 or
    not hop 3 or (
        do prelude
        do mark_regions
        backwards (
 
            do Step_1a
 
            exception2 or (
 
                do Step_1b
                do Step_1c
 
                do Step_2
                do Step_3
                do Step_4
 
                do Step_5
            )
        )
        do postlude
    )
)

[Aka Guymelef]

En tout cas bon courage : des variables a, b, z, des GOTO, c'est vraiment pas la panacée du moins pour l'implémentation en C Et le pire dans cette histoire c'est que je trouve l'algo encore plus inbouffable que le code

Pour ceux que ça intéresse il faut, pour télécharger le projet complet, revenir à l'index du site et aller dans la section download.

Mais si tu nous en apprenez un peu plus pour commencer sur algo de stemming (lémanisation) à quoi il sert, le principe de fonctionnement, etc...

[Bruno13]

Bonjour Aka,

Alors en ce qui concerne la qualité de l'algo, je l'ai choisi pour une raison très simple, parmi les differents algo écrit :

# Paice/Husk Stemming Algorithm
# Porter Stemming Algorithm
# Lovins Stemming Algorithm
# Dawson Stemming Algorithm
# Krovetz Stemming Algorithm

je n'ai trouvé que celui là qui était déjà codé.

Concernant la qualité de programmation de cet algo, il est vrai que des "Goto" ça fait longtemps que j'en ai pas vu

Ensuite concernant la lématisation d'un texte, dans mon cas, serait utilisé pour réduire le texte d'un résumé afin de ne garder que les bases des termes et ainsi faire des stats plus concises.

Par exemple, à l'heure actuelle, je trouve :
maison => MAISON
maisonnette => MAISON
maisonnettes => MAISON
maisons => MAISON

ce qui me fait 4 termes pour un concept, et donc 4 frequences à 1, alors que si j'ai la forme lématisée j'aurai une fréquence de 4 pour un terme.
Ce qui me permet de faire ressortir plus facilement un concept.

Bref, c'est très théorique tout cela, et j'en suis qu'au début....

Biensûr si quelqu'un a déjà une unité de stemming à me proposer, je suis preneur

D'avance merci encore pour vos conseils,
Amitiés,
Bruno

[Aka Guymelef]

A la vérité j'ai vu qu'il y avait une version pour Java, je crois qu'il faudrait mieux zieuter celle-là ce serait peut-être moins le bordel parce que rien que pour retranscrire l'élément le plus basique SN_env, ben j'y arrives pas mais bon il y a peut-être des gens plus habitués à la conversion de programme C/C++ vers Delphi.

[Bruno13]

Je n'ai pas trouvé la version Java dont vous parlez mais j'ai vu qu'une version C# était dispo à l'adresse suivante :

http://snowball.tartarus.org/otherlangs/english_cpp.txt

mais il semble que son utilisation sot sous licence, et bon pour l'instant je ne peux me permettre d'acheter quoi que ce soit.

Le projet d'origine de conversion continue donc pour moi.

amitiés,
Bruno

[Aka Guymelef]

Pour le Java c'est par ici mais s'il y a une version C# alors c'est encore plus simple pour tenter une migration