Skip to content

Latest commit

 

History

History
454 lines (380 loc) · 18 KB

README.rst

File metadata and controls

454 lines (380 loc) · 18 KB
Raw

Tashaphyne

Tashaphyne: Arabic Light Stemmer تاشفين: التجذيع الخفيف للنصوص العربية

Tashaphyne is an Arabic light stemmer and segmentor. It mainly supports light stemming (removing prefixes and suffixes) and give all possible segmentations. It use a modified finite state Automaton which allow to generate all segmentations.

It offers stemming and root extraction at the same time unlike Khoja stemmer, ISRI semmer, Assem stemmer, Farasa stemmer.

Tashaphyne comes with default prefixes and suffixes, and accept the use of customized prefixes and suffixes list, which allow it to handle more aspect, and make customized stemmers without changing code.

Tashaphyne is a python library, it's available as demo on Mishkal, choose Tools/Analysis and as source code on Github

Developpers: Taha Zerrouki: http://tahadz.com taha dot zerrouki at gmail dot com

Feature s value
Authors Authors.md
Release 0.3.5
License GPL _
Tracker linuxscout/tashaphyne/Issues
Website https://pypi.python.org/pypi/Tashaphyne
Doc package Documentaion
Source Github
Downloa d sourceforge
Feedbac ks Comments
Account s [@Twitter](https://twitter.com/linuxscout) [@Sourceforge](http://sourceforge.net/projects/tashaphyne/)

Citation

If you would cite it in academic work, can you use this citation

T. Zerrouki‏, Tashaphyne, Arabic light stemmer‏,  https://pypi.python.org/pypi/Tashaphyne/0.2

or in bibtex format

@misc{zerrouki2012tashaphyne,
  title={Tashaphyne, Arabic light stemmer},
  author={Zerrouki, Taha},
  url={https://pypi.python.org/pypi/Tashaphyne/0.2},
  year={2012}
}

مزايا

  • تجذيع الكلمة العربية إلى أبسط جذع ممكن
  • إمكانية استخراج الجذر
  • تقطيع الكلمة إلى جميع الحالات الممكنة.
  • تنميط الكلمة ( توحيد الحروف ذات الأشكال المختلفة.
  • قائمة مسبقة للزوائد العربية، وحروف الزيادة -إمكانية ضبط إعدادات المجذع والمقطع، من خلال تعديل قوائم الزوائد.

Features

  • Arabic word Light Stemming.
  • Root Extraction.
  • Word Segmentation
  • Word normalization
  • Default Arabic Affixes list.
  • An customizable Light stemmer: possibility of change stemmer options and data.
  • Data independent stemmer.

Applications

  • Stemming texts
  • Text Classification and categorization
  • Sentiment Analysis
  • Named Entities Recognition

Installation

pip install tashaphyne

Usage

Tahsphyne is a finite state automaton stemmed based, it extract affixes (prefixes and suffixes), with a predefined affixes list.

It extract all possible affixation from a word and cite all possible configuration stemming of a given word.

Functions الدوال

  • تجذيع الكلمة

تجذيع الكلمة واستخلاص كل المعلومات منها بواسطة الدوال المناسبة

Stemming function, stem an arabic word, and return a stem. This function store in the instance the stemming positions (left, right), then it's possible to get other calculted attributs like : stem, prefixe, suffixe, root.

>>> #make propre display for unicode
... import pyarabic.arabrepr
>>> arepr = pyarabic.arabrepr.ArabicRepr()
>>> repr = arepr.repr
>>>
>>> from tashaphyne.stemming import ArabicLightStemmer
>>> ArListem = ArabicLightStemmer()
>>> word = u'أفتضاربانني'
>>> # stemming word
... stem = ArListem.light_stem(word)
>>> # extract stem
... print ArListem.get_stem()
ضارب
>>> # extract root
... print ArListem.get_root()
ضرب
>>>
>>> # get prefix position index
... print ArListem.get_left()
3
>>> # get prefix
... print ArListem.get_prefix()
أفت
>>> # get prefix with a specific index
... print ArListem.get_prefix(2)
أف
>>>
>>> # get suffix position index
... print ArListem.get_right()
7
>>> # get suffix
... print ArListem.get_suffix()
انني
>>> # get suffix with a specific index
... print ArListem.get_suffix(10)
ي
>>> # get affix
>>> print ArListem.get_affix()
أفت-انني
>>> # get affix tuple
... print repr(ArListem.get_affix_tuple())
{'prefix': u'أفت', 'root': u'', 'stem': u'', 'suffix': u'أفتضاربانني'}
>>> # star words
... print ArListem.get_starword()
أفت*ا**انني
>>> # get star stem
... print ArListem.get_starstem()
*ا**
>>>
>>> #  get unvocalized word
... print ArListem.get_unvocalized()
أفتضاربانني
function Description وصف
get_root( ) Get the root of the treated word by the stemmer. استخل اص الجذر
get_stem( ) Get the stem of the treated word by the stemmer. استخل اص الجذع يمكن استخل اص الجذع التلق ائي مباشر ة، عند الرغب ة في الحصو ل على جذع معين، نحدد دليل الساب ق، ودليل اللاح ق.
get_left( ) Get the prefix end position موضع نهاية الساب قة
get_right () Get the suffix start position موضع بداية اللاح قة
get_prefi x() return the prefix/suffix of the treated word by the stemmer. استرج اع الساب قة التلق ائية أو سابقة معينة بموضع
get_suffi x() Get default suffix, or suffix by suffix index استرج اع اللاح قة التلق ائية أو بواسط ة دليل اللاح قة
get_affix () Get default Affix or specific by left and right indexes استرج اع الزائ دة التلق ائية أو المعي نةبدل يلي الساب ق واللا حق
get_affix _tuple() Get affixe tuple استرج اع الزائ دة بتفاص يلها
get_starw ord() Get stared word, radical letters replaced by "*"|استرجاع الكلمة المنجمة، الحروف الأصلية مخفية بنجوم get_starstem( )|Get stared stem, radical letters replaced by "*" استرج اع الجذع المنج م، الحرو ف الأصل ية مخفية بنجوم
get_unvoc alized() return the unvocalized form of the treated word by the stemmer. Harakat are striped. استرج اع الكلم ة غير مشكول ة
  • استخلاص كل التقسيمات المحتملة
  • تقسيم الكلمة إلى كل الزوائد المحتملة

Generate a list of all posibble segmentation positions (lef, right) of the treated word by the stemmer.

>>> word = u'أفتضاربانني'

>>> # Detect all possible segmentation
... print ArListem.segment(word)
set([(2, 7), (3, 8), (0, 8), (2, 9), (2, 8), (3, 10), (2, 11), (1, 8), (0, 7), (2, 10), (3, 11), (1, 10), (0, 11), (3, 9), (0, 10), (1, 7), (0, 9), (3, 7), (1, 11), (1, 9)])

>>># Get all segment
>>>print ArListem.get_segment_list()
set([(2, 7), (3, 8), (0, 8), (2, 9), (2, 8), (3, 10), (2, 11), (1, 8), (0, 7), (2, 10), (3, 11), (1, 10), (0, 11), (3, 9), (0, 10), (1, 7), (0, 9), (3, 7), (1, 11), (1, 9)])

>>> # get affix list
... print repr(ArListem.get_affix_list() )
[{'prefix': u'أف', 'root': u'ضرب', 'stem': u'تضارب', 'suffix': u'انني'},
 {'prefix': u'أفت', 'root': u'ضرب', 'stem': u'ضاربا', 'suffix': u'نني'},
 {'prefix': u'', 'root': u'أفضرب', 'stem': u'أفتضاربا', 'suffix': u'نني'},
 {'prefix': u'أف', 'root': u'ضربن', 'stem': u'تضاربان', 'suffix': u'ني'},
 {'prefix': u'أف', 'root': u'ضرب', 'stem': u'تضاربا', 'suffix': u'نني'},
 {'prefix': u'أفت', 'root': u'ضربنن', 'stem': u'ضاربانن', 'suffix': u'ي'}, ...]
>>>
  • segment() / get_segment_list() استخلاص قائمة مواضع كل التقسيمات المحتملة على شكل أعداد return a list of segmentation positions (left, right) of the treated word by the stemmer.
  • get_affix_list استخلاص قائمة كل الزوائد المحتملة

return a list of affix tuple of the treated word by the stemmer.

Customized Affix list

تخصيص قوائم الزوائد يمكنن تخصيص قوائم السوابق واللواحق للحصول على نتائج افضل حسب السياق

في المثال الموالي، سنستعمل مجذع تاشفين حسب قوائمه التلقائية، ثم نصنع مجذعا آخر يعطي نتائج مختلفة بتخصيص قوائم السوابق واللواحق

You can modify and customize the default affixes list by

>>> import tashaphyne.stemming

>>> CUSTOM_PREFIX_LIST = [u'كال', u'أفبال', u'أفك', u'فك', u'أولل', u'', u'أف', u'ول', u'أوال', u'ف', u'و', u'أو', u'ولل', u'فب', u'أول', u'ألل', u'لل', u'ب', u'وكال', u'أوب', u'بال', u'أكال', u'ال', u'أب', u'وب', u'أوبال', u'أ', u'وبال', u'أك', u'فكال', u'أوك', u'فلل', u'وك', u'ك', u'أل', u'فال', u'وال', u'أوكال', u'أفلل', u'أفل', u'فل', u'أال', u'أفكال', u'ل', u'أبال', u'أفال', u'أفب', u'فبال']
>>> CUSTOM_SUFFIX_LIST = [u'كما', u'ك', u'هن', u'ي', u'ها', u'', u'ه', u'كم', u'كن', u'هم', u'هما', u'نا']

>>> # simple stemmer with default affixes list
... simple_stemmer = tashaphyne.stemming.ArabicLightStemmer()

>>> # create a cعstomized stemmer object for stemming enclitics and procletics
... custom_stemmer = tashaphyne.stemming.ArabicLightStemmer()
>>> # configure the stemmer object
... custom_stemmer.set_prefix_list(CUSTOM_PREFIX_LIST)
>>> custom_stemmer.set_suffix_list(CUSTOM_SUFFIX_LIST)
>>>
>>> word = u"بالمدرستين"
>>> # segment word as
... simple_stemmer.segment(word)
set([(4, 10), (4, 7), (4, 9), (4, 8), (3, 10), (0, 7), (3, 8), (1, 10), (1, 8), (3, 9), (0, 10), (1, 7), (0, 9), (3, 7), (0, 8), (1, 9)])
>>> print  repr(simple_stemmer.get_affix_list())
[{'prefix': u'بالم', 'root': u'درستين', 'stem': u'درستين', 'suffix': u''}, {'prefix': u'بالم', 'root': u'درس', 'stem': u'درس', 'suffix': u'تين'}, {'prefix': u'بالم', 'root': u'درستي', 'stem': u'درستي', 'suffix': u'ن'}, {'prefix': u'بالم', 'root': u'درست', 'stem': u'درست', 'suffix': u'ين'}, {'prefix': u'بال', 'root': u'مدرستين', 'stem': u'مدرستين', 'suffix': u''}, {'prefix': u'', 'root': u'بالمدرس', 'stem': u'بالمدرس', 'suffix': u'تين'}, ...]
>>>
>>> custom_stemmer.segment(word)
set([(1, 10), (3, 10), (0, 10)])
>>>
>>> print  repr(custom_stemmer.get_affix_list())
[{'prefix': u'ب', 'root': u'المدرستين', 'stem': u'المدرستين', 'suffix': u''}, {'prefix': u'بال', 'root': u'مدرستين', 'stem': u'مدرستين', 'suffix': u''}, {'prefix': u'', 'root': u'بالمدرستين', 'stem': u'بالمدرستين', 'suffix': u''}]
>>>

This command set_prefix_list and *set_suffix_list" will rebuild the Finite state automaton to consider new affixes list.

Stemming a text

To stem all words in a text, we use tokenization preprocessing:

>>> import pyarabic.araby as araby
>>> from tashaphyne.stemming import ArabicLightStemmer
>>> stemmer  = ArabicLightStemmer()
>>> text = "الأطفال يستريحون في المكتبة للمطالعة"
>>> tokens = araby.tokenize(text)
>>> tokens
['الأطفال', 'يستريحون', 'في', 'المكتبة', 'للمطالعة']
>>> for tok in tokens:
...     stem = stemmer.light_stem(tok)
...     print(tok, stem)
...
الأطفال أطفال
يستريحون يستريح
في في
المكتبة مكتب
للمطالعة مطالع
>>>

Package Documentation

Files

  • file/directory category description
  • [docs] docs/ docs documentation
  • [support]
    • pyarabic : basic arabic library
  • [test]
    • output/ test test output
    • samples/ test sample files
    • tools/ test script to use tashaphyne

Featured Posts

If you would cite it in academic work, can you use this citation

T. Zerrouki‏, Tashaphyne, Arabic light stemmer‏,  https://pypi.python.org/pypi/Tashaphyne/0.2

or in bibtex format

@misc{zerrouki2012tashaphyne,
  title={Tashaphyne, Arabic light stemmer},
  author={Zerrouki, Taha},
  url={https://pypi.python.org/pypi/Tashaphyne/0.2},
  year={2012}
}