确定相关单词的程序化方法？

Question

使用web服务或软件库，我希望能够识别与词根相关的单词(例如，"seated“和"seatbelt”共享词根"seat“，但"Seattle”不被认为是匹配的)。对于这种事情，简单的字符串比较似乎是不可行的。

除了定义我自己的字典之外，有没有库或web服务不仅可以返回单词定义，还可以返回单词的“词根单词”，以便我可以执行这种类型的检查？

Answer 1

Here是英语的雪球词干分析器。

您可以将其用作：

SF.Snowball.Ext.EnglishStemmer eng = new SF.Snowball.Ext.EnglishStemmer();
eng.SetCurrent("Seated");
eng.Stem();
Console.WriteLine(eng.GetCurrent()); //returns Seat

Answer 2

这是一件复杂的事情，要求计算机来做，但有方法和方法。

这个问题有几个技巧：

A "regex for words" (semantic replacement) - any example syntax and libraries?

但如果你想自己做实验，你可以考虑做的是研究音素和Soundex或Double Metaphone算法。在维基百科上查找“语音算法”。

这个想法很简单，就是你计算出一个单词的发音，然后可以用数学表示出来，然后你可以把它与你的字典进行比较，字典已经用这个表示预先计算过了。

这将做的是将字典缩减为(希望)可操作的数据集，您将不得不以某种方式进行分析。

但是，对于您的特定示例，您必须比较Seated、安全带和西雅图的算法值。

无论如何，我知道这不是一个完整的答案，但我希望它足以让您入门。

祝好运!

Answer 3

我记得读过一篇somewhat related question on this site，其中最好的答案是下载一份维基百科，这样你就可以忽略所有你不需要的东西。

在检查了一些流行的词源和词根搜索网站后，它们都以seat作为查询失败(wordinfo、prefixsuffix和etymonline)。

如果seat只是一个例子，三个最流行的查找相关单词的服务都失败了，那么它们可能不是你最好的选择。出于这个原因，我推荐使用Wiktionary。

Wiktionary上的几乎每个页面都非常详细，甚至对于seat，它在动词部分下列出了所有相关的单词。

seat (第三人称单数简单现在时seats，现在分词seating，简单过去分词seated)

它们甚至是粗体和超链接的，因此将它们解析到本地字典中将是微不足道的。

就我个人而言，我更喜欢有一个本地表，而不是使用web服务，因为web服务可能会宕机，它可能会很慢，而且它需要用户连接到internet才能使用您的应用程序。