として、あなたは、あなたの文書を小文字可能性が空白にそれらをトークン化し、各用語の連続した文字を折りたたむ:
import java.util.Map;
import java.util.Scanner;
import java.util.Set;
import java.util.TreeMap;
import java.util.TreeSet;
import java.util.stream.Collectors;
public class CollapseConsecutiveCharsDemo {
public static String collapse(final String term) {
final StringBuilder buffer = new StringBuilder();
if (!term.isEmpty()) {
char prev = term.charAt(0);
buffer.append(prev);
for (int i = 1; i < term.length(); i += 1) {
final char curr = term.charAt(i);
if (curr != prev) {
buffer.append(curr);
prev = curr;
}
}
}
return buffer.toString();
}
public static void main(final String... documents) {
final Map<String, Set<String>> termVariations = new TreeMap<>();
for (final String document : documents) {
final Scanner scanner = new Scanner(document.toLowerCase());
while (scanner.hasNext()) {
final String expandedTerm = scanner.next();
final String collapsedTerm = collapse(expandedTerm);
Set<String> variations = termVariations.get(collapsedTerm);
if (null == variations) {
variations = new TreeSet<String>();
termVariations.put(collapsedTerm, variations);
}
variations.add(expandedTerm);
}
}
for (final Map.Entry<String, Set<String>> entry : termVariations.entrySet()) {
final String term = entry.getKey();
final Set<String> variations = entry.getValue();
System.out.printf("variations(\"%s\") = {%s}%n",
term,
variations.stream()
.map((variation) -> String.format("\"%s\"", variation))
.collect(Collectors.joining(", ")));
}
}
}
例を実行します。
を
% java CollapseConsecutiveCharsDemo "We had an awwweesssommmeeee dinner at sea resort" "We had an awesomeeee dinner at sea resort" "We had an awwesooomee dinner at sea resort"
variations("an") = {"an"}
variations("at") = {"at"}
variations("awesome") = {"awesomeeee", "awwesooomee", "awwweesssommmeeee"}
variations("diner") = {"dinner"}
variations("had") = {"had"}
variations("resort") = {"resort"}
variations("sea") = {"sea"}
variations("we") = {"we"}
もっと巧妙な解決策として、句読点を正しく処理するStanford CoreNLP tokenizerで文書をトークン化し、liblevenshteinなどのスペルの修正と組み合わせることができます。
誤って「ひどい」のように一致してはならない単語を誤って選択することを考える必要があります。簡単な答えはありません。 Levenshtein距離がどのように働くか見るには 'agrep(" awesome "、x、max.distance = 0.5、ignore.case = TRUE)で始まります。 –
あなたはおそらくhttp://datascience.stackexchange.com/を探しています – Frank