Porter和Lancaster提取算法的主要区别和好处是什么？

Question

我正在处理Java中的文档分类任务。

强烈推荐这两种算法，每种都有什么优点和缺点，并且在自然语言处理任务的文献中更常用？

Answer 1

从根本上讲，porter和lancaster词干提取算法之间的主要区别是lancaster词干提取器比porter词干分析器更具攻击性。当今使用的三种主要的阻止算法是Porter，Snowball（Porter2）和Lancaster（Paice-
Husk），其侵略性连续性基本上遵循相同的思路。波特是最不积极的算法，实际上每种算法的细节都相当冗长和技术性。这是您的细分：

波特：毫无疑问，最常用的茎梗，也是最柔和的茎梗之一。少数几个实际上具有Java支持的词干分析器之一，这是一个加分，尽管它也是算法中计算量最大的一个（不允许有很大的余地）。它也是最古老的词干算法。

Porter2：出于充分的理由，几乎被普遍认为是对Porter的改进。波特本人实际上也承认它比他原来的算法要好。与搬运工相比，它的计算时间略短，并且周围有相当大的社区。

兰开斯特（Lancaster）：非常激进的词干算法，有时会出错。使用搬运工和滚雪球时，词干表达通常对读者而言是相当直观的，而对于兰卡斯特而言，则不然，因为许多较短的单词将完全被混淆。这里最快的算法，将大大减少您的单词工作量，但是如果您想要更多的区别，而不是您想要的工具。

老实说，我觉得Snowball通常是要走的路。在某些情况下，Lancaster会极大地缩减您的工作集，这可能非常有用，但是在我看来，雪球的边际速度提高并不值得缺乏精确性。波特的实现最多，因此通常是默认的定位算法，但如果可以的话，请使用滚雪球。

雪球-附加信息

Snowball是一种小型字符串处理语言，旨在创建用于信息检索的词干算法。

Snowball编译器将Snowball脚本翻译成另一种语言-当前支持ISO C，C＃，Go，Java，Javascript，Object
Pascal，Python和Rust。

名字的历史

由于它有效地提供了“后缀STRIPPER GRAMmar”，因此我曾戏称它为“ strippergram”，但是好感已盛行，因此，它被“
Snowball”命名为对SNOBOL的致敬，SNOBOL是SNOBOL的出色字符串处理语言。
1960年代起的Farber，Griswold，Poage和Polonsky先生。
-–马丁·波特

用Snowball语言实现的词干有时有时简称为Snowball词干分析器。例如，请参阅自然语言工具包：nltk.stem.snowball。