python中短语和词干的快速词典查找

我正在用python构建一个文本分类器，每个类都有一个关键短语列表。例如，课程可以是“旅游”和“科学”，列表可以包含：

• 旅行：“纽约”、“韩国”、“首尔”等
• 科学：“科学家”、“化学”等

我正在寻找在python中匹配这些列表中的短语的最佳方法

例如，文档的结果：

一位著名的科学家从纽约旅行到韩国首尔

应该是： “科学”：1 “旅行”：3

即使字符串的“in”运算符得到了很好的优化，也有一些情况需要处理：

• 词界：在某种程度上，我可以在字典中有“to”，而不想在“明天”中匹配“to”。在这种情况下，标记化可以工作，但是短语需要一些自定义逻辑，可能是标记列表中的子列表查找
• 词干：当列表中有“科学家发现”时，“科学家发现”也应匹配

---

有没有一个python库可以有效地处理这个问题？如果我需要从头开始实施它，那么从性能方面处理上述问题的最佳方法是什么？

在这种情况下，一个简单的解决方案是使用字典理解：

s = "A famous scientist traveled from New York to Seoul, South Korea"
d = {"travel":["New York", "South Korea", "Seoul"], "science": ["scientist", "chemical"]}
final_results = {a:sum(i in s for i in b) for a, b in d.items()}

输出：

{'science': 1, 'travel': 3}

---

您试图实现的是词干上的短语搜索。这是文本挖掘 我认为这个任务是在搜索引擎中实现的

首先，您需要

标记化

和

词干分析器

函数。标记化可以是 简单到：

def tokenize(string):
    return fiter(lambda x: len(x) < 1, remove_punctuation(string).split())

然后，您要查找的函数如下所示：

def preprocess(string):
    return [stemmer(word) for word in tokenize(string)]

from collections import Counter


def count(dictionary, phrase):
    counter = Count()
    phrase = preprocess(phrase)
    for topic, string in dictionary.items():
        stems = preprocess(string)
        indices = find(phrase, stem[0])
        for index in indices:
            found = True
            for stem in stems[1:]:
                if phrase[index + 1] == stem:
                   continue
                else:
                   found = False
                   break
            if found:
               counter[topic] +=1
    return counter

字典

变量包含以下信息：

• 旅行：“纽约”、“韩国”、“首尔”等
• 科学：“科学家”、“化学”等

---

相当优雅，但没有解决两个问题-单词边界和n-gram词干