开发英语词干分析器（略有修订，2001年12月）
（进一步修订，2002年9月）
我不止一次尝试改进波特的结构算法，使其遵循删除罗曼史结尾的模式语言词干分析器。不难看出为什么要这样做：步骤1b条Porter词干去除预计起飞时间和惯性导航与制导，其中包括我-后缀(*)附在动词上。如果删除这些后缀应该不需要移除d日-虽然后缀不是动词它会尝试这样做。这似乎是波特词干分析器的一个缺陷，不被浪漫主义者分享。同样，步骤之间的划分2、3和4似乎相当武断，在《浪漫词干集》中找不到。
然而，这些改进尝试都被放弃了。他们似乎导致算法更加复杂，但没有明显的改进。不注意步骤1结果的原因b条可能是这样英语词尾对词类的影响不如浪漫主义语言中的结尾。例如，条件和位置在法语中必须是名词，但在英语中可以是动词以及名词，- 我们都受到广告的制约
他们今天的定位不同
单独执行步骤2、3和4的一个可能原因是d日-英语中的后缀组合相当复杂已完成在别处.
但使用波特二十年后词干分析器，确实有一些改进，以及一种新算法因此这里提供英语。（它可以被称为“Porter2”以将其与派生它的Porter词干分析器区分开来。）变化并不太广泛：（1）终止年已更改为我不太常见，（2）后缀我们不会丢失它秒，（3）a为删除添加了几个附加后缀，包括（4）后缀第页此外，还包括一小部分例外表格。在2001年12月，又进行了两次调整：（5）步骤5一和5b条将旧的波特式茎干器组合成一个步骤。这意味着那场未公开的决赛陆上通信线未完成最终移除电子. (6)在步骤3中主动的，主动的仅在区域内时删除R（右）2(7)7月2005年进行了小调整（包括新的步骤0）以应对撇号。
首先，这里是基本算法，没有参考特殊形式。与波特算法的精确比较需要如果要做的话，一定要非常小心。这里我们用*点出发日期，截止日期+其他功能。在示例词汇表中，波特和波特2将不到5%的单词转换成不同的形式。
英语词干分析器的定义定义元音作为其中之一-
爱你
定义双重的作为其中之一-
bb-dd-ff-gg-mm-nn-pp-rr-tt
定义有效的锂-结束作为其中之一-
c d e g h k m n r t公司
R（右）1是元音后面第一个非元音之后的区域，或如果没有这样的非元音单词。（此定义可能会因某些例外情况而修改单词-见下文。）
R（右）2是中元音后面第一个非元音之后的区域R（右）1或如果没有这样的非元音，单词的结尾。（请参见笔记在R（右）1和R（右）2.)
定义短音节用一个词来说就是(一)后跟元音的元音非元音w个,x个或Y（Y）前面是非元音，或*(b条)单词开头的元音后跟非元音。
所以说唱,陷阱,诱捕以短音节结尾现在,在,在是被归类为短音节。但是根除,赐予,打扰不要以短音节。
一个词被称为短的如果它以短音节结尾，如果R（右）1为空。
所以床,流和切碎都是简短的单词，有孔小珠,嵌入,床是不是简短的单词。
撇号(')可以被视为一封信。（请参见笔记英语中的撇号。）
如果这个单词有两个或更少的字母，就保持原样。
否则，请执行以下每个操作，
删除初始值'，如果存在。+然后，
设置初始值年，或年在元音之后，到Y（Y），然后建立区域R（右）1和R（右）2（请参见笔记元音标记。）
步骤0:+
- 搜索后缀中最长的，
- '
- 的
- “s”
- 如果发现，请移除。
第1步一:- 搜索以下后缀中最长的后缀，并执行已指示操作。
- 安全标准
- 替换为不锈钢
- 伊德+ ies公司*
- 替换为我如果前面有多个字母，则为即（所以领带 -> 领带,哭 -> 克里)
- 秒
- 如果前面的单词部分不在秒（所以气体和这保留秒,间隙和新西兰人失去它）
- 我们+ 不锈钢
- 什么都不做
第1步b条:- 搜索以下后缀中最长的后缀，并执行已指示操作。
- 需要紧急+
- 替换为ee公司如果在R（右）1
- 爱德华利+ 非常高兴+
- 如果前面的单词部分包含元音，则删除，删除后：
- 如果单词结束在,bl（黑色）或iz公司添加电子（所以奢侈 -> 奢侈的)，或
- 如果单词以双精度结尾删除最后一个字母（所以跳跃 -> 单足蹦跳)，或
- 如果单词短，请加上电子（所以单足蹦跳 -> 希望)
第1步c（c）:*
- 替换后缀年或Y（Y）通过我如果前面有一个非元音，它不是单词的第一个字母（so哭泣 -> 克里,通过 -> 通过,说 -> 说)
第2步：- 搜索以下后缀中最长的后缀，如果在中找到和R（右）1，执行指示的操作。
- 民族：替换为选项
- 国家情报局：替换为性质
- anci公司：替换为昂（ance）
- abli公司：替换为能够的
- 恩特里：替换为耳鼻喉科
- （燃料）化：替换为确定大小
- 民族主义者：替换为吃了
- 阿里蒂·阿利主义：替换为铝
- 充满：替换为满满的
- 卓越：替换为乌斯
- 伊维蒂：替换为五
- 哔哩哔哩+：替换为布尔
- 奥美+：替换为og（运行日志）如果前面有我
- 完全（fulli）+：替换为满满的
- 莱斯利+：替换为较少的
- 锂+：如果前面有有效的锂-结束
第三步：- 搜索以下后缀中最长的后缀，如果在中找到和R（右）1，执行指示的操作。
- 民族+：替换为选项
- 国家的+：替换为吃了
- 实现：替换为铝
- 重复信息：替换为集成电路
- 充满：删除
- 主动的，主动的*：在中时删除R（右）2
第4步：- 搜索以下后缀中最长的后缀，如果在中找到和R（右）2，执行指示的操作。
- 可靠性评估民族主义占据主动地位
- 删除
- 离子
- 如果前面有，则删除秒或t吨
第五步：*
- 搜索以下后缀，如果找到，执行指示的操作。
- 电子
- 在中删除R（右）2或inR（右）1且前面没有短音节
- 我
- 在中删除R（右）2，前面有我
最后，转动任何剩余的Y（Y）单词中的字母变回小写。
一般特殊形式很容易扩展Snowball脚本，以便单词形式得到特殊处理。标准情况是某些单词W公司1, W公司2 ..., 不是通过词干分析过程，而是映射到表单X（X）1, X（X）2。。。分别是。如果脚本有通过调用进行词干分析
将阀杆定义为C 其中C类是一个命令，异常情况可以通过将其扩展到
将阀杆定义为（例外或C） 并进行例行程序例外:
将异常定义为([substring]限制在('西1'（<-'X1' )'西2'（<-'X2' )...))
达到极限导致测试整个字符串是否与的W公司我，如果找到匹配项，则将字符串替换为X（X）我.
更准确地说，我们可能有一组单词W公司11, W公司12 ...需要映射到的X（X）1，另一组W公司21, W公司22…需要映射到X（X）2等等，以及单词列表V（V）1, V（V）2。。。 V（V）k个保持不变。这个例外然后可以按如下方式编写例程：
其中（'W11“W”12' ... （<-'X1')'西21“W”22' ... （<-'X2')...'西n1个“W”氮气' ... （<-'Xn个')“V”1“V”2' ... 'V（V）k个') 事实上例外情况1英语词干分析器的例行程序就是这样形状：
将exception1定义为([substring]限制在(/*特殊更改：*/“滑雪板”（<-“ski”）“天空”（<-“天空”）“垂死”（<-“死亡”）“撒谎”（<-'lie'）“打结”（<-'tie'）/*特殊-LY案例*/“空闲”（<-'idl）“温柔”（<-“温柔”）“丑陋”（<-'ugli）“早”（<-'earli）“仅”（<-'onli）“单个”（<-“单个”）//。。。此处可能有扩展。。。/*不变形式：*/“天空”“新闻”“豪”“atlas”“cosmos”“bias”“andes”//非复数形式//。。。此处可能有扩展。。。)) （稍后将对此处出现的单词进行更多介绍。）
在这里，我们看到在词干提取之前，单词被异常处理，但我们同样可以在完成词干分析后，对词干进行例外处理，因此，如果我们愿意，可以映射吸收的到吸收,还原到减少等，如洛文斯干管器.但更一般地说，在整个算法中，每个重要步骤都可能被识别例外情况，以及适当放置的在…之间会照顾他们的。例如，提出了一个观点文献中至少有两次是这样的通用被波特词干分析器：
生成
生成
生成
生成
一般的
通常地
通用的
一般地
慷慨的
慷慨地 | | -> | | 通用
|
为了解决这个过度阻塞的问题，我们对第页1中，的左点R（右）1，因此更换
gopast v gopast非v设置标记p1 具有
其中(“通用”//。。。这里可能包括其他茎。。。)或（gopast v gopast non-v）设置标记p1 之后的单词开始通用阀杆如下：
生成
生成
生成
生成
| | -> | | 发电机
| 一般的
通常地
| | -> | | 一般的
| 通用的
一般地
| | -> | | 通用的
| 慷慨的
慷慨地
| | -> | | 慷慨的
|
另一个示例由例外情况2例程，类似于例外情况1,但放置在步骤1a，可能已拆下端子秒,
将exception2定义为([substring]限制在(“围棋”“郊游”“罐头”“鲱鱼”“继续”超过“成功”//。。。此处可能有扩展。。。)) 因此，Snowball很容易添加异常列表。但要决定例外情况远非易事。基本上有两条攻击线系统化和零星化。人们可以系统地将例如，不规则动词。零碎的方法是根据人们的注意添加例外他们-就像通用以上。系统方法的问题是它应该通过调查整个语言词汇来完成，这比大多数人都要多准备好了。零碎方法的问题是它是任意的，而且通常产量很少。
英语词干分析器中的异常列表旨在说明问题（“如果您want to do it’），并且是逐段派生的。
一)新词干分析器在处理短单词结尾时改进了Porter词干分析器电子和年然而，这四种形式处理不当天空,天空,滑雪,滑雪板，通过将其中三个单词视为特殊情况。
b条)类似地惯性导航与制导三字母动词结尾形式即.那里只有三个这样的动词：死亡,躺和领带，因此为临终的,撒谎和捆扎.
c（c）)一个人必须小心一点惯性导航与制导形式。一局,郊游,罐装，谁都不希望要阻止的在里面,外面的,可以.
d日)后缀的删除第页（不在Porter词干分析器中）有许多异常。某些简短的例外是无所事事,轻轻地,丑陋的,早期的,只有,单独地.罕见的词语(鬃毛状的,魁梧的,卷曲的,脾气暴躁的…）不包括在内。
电子)剩下的单词是根据波特算法用户的投诉而写的。新闻不是的复数形式新的（在为路透社）。豪是姓氏，需要与怎样（注意到在下议院的一次示威活动中寻找“杰弗里·豪爵士”）。成功etc不是过去分词，所以预计起飞时间不应拆除（指出在一封来自印度的电子邮件中发送给我）。鲱鱼不应该干到她（另一封来自的电子邮件俄罗斯）。
（f）)最后，以一些非模糊的词语结尾秒已添加。
顺便说一句，这说明了从词干分析的实际用户那里可以得到多少反馈算法：二十年七八个单词！
因此，上述英语词干分析器的定义由以下内容补充：
英语词干分析器中的异常形式
- 如果单词开始通用,公社或砷，套R（右）1是单词。
词干特殊单词如下：，
| 滑雪板 | | -> | | 滑雪
| | 天空 | | -> | | 天空
| 临终的
撒谎
捆扎
| | ->
| | 死亡
躺
领带
| 无所事事
轻轻地
丑陋的
早期的
只有
单独地
| | ->
| | idl公司
温和的
乌格利语
厄利
在线
单个
|
如果发现以下情况之一，请保持不变，
遵循步骤1一，保持以下不变，
|