Stemming
De Wikipedia, la enciclopedia libre
Stemming es un método para reducir una palabra a su raíz o mejor a un stem o tema. Hay algunos algoritmos de stemming que ayudan en sistemas de recuperación de información. Stemming aumenta el recall que es una medida sobre el número de documentos que se pueden encontrar con una consulta. Por ejemplo una consulta sobre "bibliotecas" también encuentra documentos en los que solo aparezca "bibliotecario" porque el stem de las dos palabras es el mismo ("bibliotec").
Tabla de contenidos |
[editar] Algoritmos
El algoritmo más común para stemming es el algoritmo de Porter. Existen además métodos basados en análisis lexicográfico y otros algoritmos similares (KSTEM, stemming con cuerpo, métodos lingüísticos...).
[editar] Software
Snowball es un pequeño lenguaje de programación para el manejo de strings que permite implementar fácilmente algoritmos de stemming. Se puede generar código en ANSI C y Java. Las páginas de Snowball contienen stemmers para 12 idiomas (incluido el castellano). Todos las explicaciones sin embargo, son dadas en inglés.
[editar] Stemming en buscadores comerciales
Desde hace poco tiempo Google utiliza stemming al igual que MSN search (donde tiene que activarse explícitamente). En general, los buscadores comerciales no dan muchas explicaciones sobre los algoritmos utilizados.
[editar] Enlaces
- http://www.comp.lancs.ac.uk/computing/research/stemming/general/ - página de introducción (en Inglés)
- http://www.tartarus.org/~martin/PorterStemmer/ - Porter stemmer
- http://www.evaluacion-ri.uc3m.es - Evaluación de la recuperación de documentos
- http://reina.usal.es/ - Grupo de investigación en Recuperación de la Información Automatizada (REINA) de la Universidad de Salamanca trabaja también sobre stemming (especialmente castellano).
- http://www.snowball.tartarus.org/ - página de Snowball, donde ya está programado un stemmer para Castellano
