Analisis Leksikel dan Kata henti

1. Chapter 5 Analisis Leksikel dan Kata henti Mohd Shahizan Othman Jabatan Sistem Maklumat Fakulti Sains Komputer & Sistem Maklumat

2. Bagaimana pemprosesan teks? • Apa yang akan terjadi jika perkataan diambil sepenuhnya sebagaimana ia ujud dalam sesuatu dokumen? • Bagaimana pula dengan tanda punctuation, capitalization, dll.? • Bagaimana dengan kesilapan ejaan? • Bagaimana dengan bentuk plural vs. singular dalam perkataan Bahasa Inggeris dan pengulangan kata dalam bahasa Melayu?

3. Index kueri Hurai pangkat Pra-proses Pemprosesan Teks Information need Koleksi Bagaimana kueri dijana? Bagaimana teks diproses? text input

4. Pendekatan umum operasi teks Pemprosesan ke atas dokumen dan kueri adalah berdasarkan kaedah yang sama

5. Analisis Leksikal bagi Teks • Analisis leksikal ialah proses menukarkan satu input strim aksara kepada perkataan atau token. (proses penyatuan huruf-huruf ke dalam bentuk perkataan-perkataan atau token (sekumpulan huruf-huruf yang memberi sesuatu makna) • Ia merupakan perkara pertama yang dilakukan dalam proses pengindeksan automatik (automaticindexing) dan pemprosesan query. • Pengindeksan automatik ialah proses penilaian item dalam maklumat untuk menghasilkan senarai indeks sebutan.

6. Analisis Leksikal bagi Teks • Analisis leksikal menghasilkan calon indeks sebutan yang seterusnya akan diproses dan dimasukkan ke dalam indeks. • Pemprosesan query adalah suatu aktiviti yang melibatkan penganalisaan query dan membandingkannya dengan indeks untuk mencapai item yang relevan. • Dalam pengindeksan automatik, calon indeks akan dibandingkan dengan katahenti.

7. Analisis Leksikal untuk Pengindeksan Automatik • Keputusan yang pertama perlu dibuat dalam merekabentuk penganalisa leksikal untuk sistem pengindeksan automatik ialah: Apakah item yang dipertimbangkan sebagai perkataan atau token dalam skema pengindeksan? • Perkara yang perlu dipertimbangkan: • Digits • Tanda selang (hyphens) • Tanda bacaan lain (punctuations) • Case letters

8. Analisis Leksikal untuk Pemprosesan Query • Merekabentuk suatu penganalisa leksikal untuk pemprosesan query adalah sama seperti pengindeksan automatik. • Ia bergantung kepada penganalisa leksikal untuk pengindeksan automatik kerana sebutan gelintaran query mesti sepadan dengan sebutan indeks.

9. Analisis Leksikal untuk Pemprosesan Query • Walaubagaimanapun, penganalisa leksikal query mesti membezakan: • pengoperasi (operator) seperti pengoperasi Boolean, pengoperasi pangkasan dan cantasan. • penunjuk pengumpulan (grouping indicators) seperti tanda “ “ dan ( ). • mengenalpasti kurungan, tanda ‘&’,~ dan ^ (pengoperasi boolean) adakah sebahagian dari analisis leksikal

10. Kata Henti (Stop Word) • Senarai perkataan yang ditapis semasa pengindeksan automatik kerana ia menghasilkan satu senarai indeks yang kurang berguna dipanggil katahenti (stoplist) atau kamus negatif. • Contoh senarai Kata henti : Bahasa Malaysia dan Bahasa Inggeris (Rujuk Buku OM Lampiran A dan B)

11. Kata Henti (Stop Word) 1.Jika katahenti dijadikan indeks sebutan: • query yang mengandungi sebutan ini akan menyebabkan hampir semua item dalam pangkalan data akan dicapai walaupun ia tidak relevan. • katahenti mengambil bahagian yang besar dalam sesebuah teks dokumen. • penghindaran katahenti diperingkat awal pengindeksan akan mencepatkan proses, menjimatkan ruang storan, dan tidak mencacatkan keberkesanan capaian.

12. Kata Henti (Stop Word) Perlaksanaan katahenti • Terdapat dua kaedah pengimplementasian bagi menapis senarai perkataan katahenti • Lakukan pemeriksaan pada output penganalisa leksikal dan buang perkataan kata henti • Buangkan kata henti sebagai sebahagian dalam analisis leksikal

13. Pembangunan senarai katahenti • Langkah utama dalam pendekatan berasaskan kekerapan diaplikasikan pada pangkalan data teks (popovic 1991) • Semua perkataan dari teks korpus akan diambil (extracted) • Perkataan ini akan dipangkat berdasarkan kekerapan keujudannya • Perkataan yang paling kerap merupakan perkataan penghubung atau dikatakan sebagai perkataan fungsi dan dianggap sebagai perkataan kata henti • Dari situ senarai kata henti akan dibentuk, Ia digunakan sebagai perkataan yang akan dibunag dalam proses analisis berikutnya. • Perkataan akan diisih dalam susunan abjad • Perbandingan akan dibuat jika terdapat perkataan yang sama ujud dakn ianya akan dibuang.

14. Implimentasi public static java.util.Vector GetStopWordsFromFile(Configuration config) Read in stop words from configuration file Parameters: config - Configuratin object Returns: a Vector of stop words public ToStripStopWords() Boolean isStopWord()

15. Cantasan (Stemming) • Satu teknik untuk meningkat pencapaian di dalam capaian maklumat dimana terdapat kepelbagaian morfologi atau pembentukan kata pada sesuatu perkataan yang ingin dicapai. • Contoh: jika perkataan “cantasan” ialah sebahagian daripada query, maka pengguna juga berminat dengan variasi lain seperti “cantas” dan “pencantasan”. • Algorithma cantasan adalah satu prosedur berkomputer yang akan mengurangkan atau mencantas semua perkataan kepada kata akar yang sama .

16. Cantasan (Stemming) • Cantasan juga dilakukan untuk mengelakkan saiz fail indeks menjadi terlalu besar, kerana satu kata dasar (stem) boleh mewakil beberapa sebutan. Juga dapat meningkatkan keupayaan kepada sistem capaian dokumen. • Perkataan boleh dicantas semasa proses pengindeksan atau semasa proses capaian. • Kebaikan cantasan semasa proses pengindeksan adalah dapat meningkatkan kecekapan dan kemampatan fail indeks. • Keburukannya ialah maklumat tentang perkataan yang penuh akan hilang atau ruangan storan tambahan diperlukan untuk menyimpan kedua-duanya iaitu yang telah dicantas atau yang belum dicantas.

17. Conflation Methods • Manual • Automatik (stemmers) • Jadual pencarian (table lookup) • Kepelbagaian Terkemudian (successor variety) • n-gram • Pembuangan imbuhan (affix removal) • Penilaian • Ketepatan (correctness) • Kecekapan capaian (retrieval effectiveness)

18. Sebutan Kata dasar (Sebutan tercantas) engineering engineer engineered engineer engineer engineer Jadual pencarian (Lookup Table) Menyimpan senarai indeks sebutan dalam satu jadual bersama dengan kata dasar (kata tercantas). Sebutan daripada query boleh diindeks dan boleh dicantaskan melalui lookup table. Pencarian ini akan lebih pantas jika pokok-B (B-tree) atau jadual cincangan digunakan.

19. B-Tree • A B-Tree of order m (the maximum number of children for each node) is a tree which satisfies the following properties : • Every node has <= m children. • Every node ( except root and leaves ) has >= m/2 children. • The root has at least 2 children. • All leaves appear in the same level, and carry no information. • A non-leaf node with k children contains k – 1 keys

20. B-Tree

21. Kepelbagaian terkemudian (Successor Variety) • Definasi (successor variety of a string)bilangan huruf yang berbeza bagi satu huruf yang diikuti oleh huruf yang lain di dalam satu perkataan pada kandungan teks yang sama. • contohkandungan teks : able, axle, accident, ape, about successor variety bagi apple1st: a diikuti oleh 4 (b, x, c, p)2nd: ap diikuti oleh (e)

22. Kepelbagaian terkemudian (Successor Variety) • ExampleTest word: READABLECorpus: ABLE, BEATABLE, FIXABLE, READ, READABLE, READING, RED, ROPE, RIPE • Prefix Successor Variety LettersR 3 E, O, IRE 2 A, DREA 1 DREAD 3 A, I, SREADA 1 BREADAB 1 LREADABL 1 EREADABLE 1 blank

23. The successor variety stemming process • Tentukan kepelbagaian terkemudian bagi satu perkataan. • Penggunaan kaedah berikut untuk penemberengan (segment) perkataan • cutoff method • peak and plateau method • complete word method • Pilih satu sebagai kaedah bagi cantasan

24. The successor variety stemming process : Penemberengan (segmentation) • Cut off method • Sempadan ditentukan berdasar ketetapan nilai cutoff (ditentukan oleh pembangun) bagi successor variety • Jika nilai kecil : tersalah potong, jika nilai besar, nilai potong akan terlebih sasar • peak and plateau method • Pisahkan perkataan bagi nilai successor varietybilamana nilai pada huruf tertentu lebih besar dari huruf jujukan sebelum dan selepas • READ | ABLE

25. The successor variety stemming process : Penemberengan (segmentation) • complete word method • Pemisahan dibuat jika tembereng (segment) adalah perkataan yang lengkap dalam pangkalan data korpus (READ)

26. Pencantas n-gram (n-gram Stemmer) • Diagrampasangan huruf yang berjujukan • Shared diagram method (Adamson and Boreham, 1974) • Pengiraan dikira berdasarkan diantara pasangan term • where A: the number of unique diagrams in the first word, B: the number of unique diagrams in the second, C: the number of unique diagrams shared by A and B

27. Pencantas n-gram (n-gram Stemmer) Berdasarkan conflating method untuk sebutan yang dipanggil metod perkongsian digram. Digram ialah turutan pasangan abjad. Trigram dan n-gram boleh digunakan. Contoh: statistics => st ta at ti is st ti is cs digram unik = at cs ic is st ta ti statistical => st ta at ti is st ti ic ca al digram unik = al at ca ic is st ta ti

28. Pencantas n-gram (n-gram Stemmer) • Contoh statistics st ta at ti is st ti ic cs unique diagrams at cs ic is st ta ti • statistical st ta at ti is st ti ic ca al unique diagrams al at ca ic is st ta ti Oleh “statistics” mengandungi 9 digram, yang 7 adalah unik; dan “statistical” mengandungi 10 digram, yang mana 8 adalah unik. Kedua-dua perkataan berkongsi 6 unik digram.

29. Pencantas Kata Imbuhan/Tambahan (Affix Removal Stemmer) • ProsedurPencantas kata imbuhan, menyingkir kata awalan, kata apitan (BM) dan akhir daripada satu sebutan menghasilkan kata dasar atau kata tercantas. • Contoh: Bentuk jamak (BI)Jika perkataan diakhiri dengan “ies” tetapi bukan “eies” atau “aies” maka “ies”  “y” Jika perkataan diakhiri dengan “es” tetapi bukan “aes”, “ees”, atau “oes” maka “es”  “e” Jika perkataan diakhiri dengan “s”, tetapi bukan “us” atau “ss” maka “s”  NULL • Kesamaran

30. Pencantas Kata Imbuhan/Tambahan (Affix Removal Stemmer) • Dalam algoritma Porter hanya petua yang pertama yang sepadan digunakan. • Kebanyakkan pencantas yang digunakan mencantas seberapa banyak perkataan yang boleh sehingga tiada abjad yang boleh dicantas lagi berdasarkan petua tertentu. • Walaubagaimanapun terdapat dua kemungkinan • Kurang cantasan • Terlebih cantasan Contoh perkataan “computability”, bila dicantas menghasilkan “comput” yang tidak akan sepadan dengan “compute”.

31. Pencantas Kata Imbuhan/Tambahan (bebas konteks vs sensitif konteks) • Bebas konteks : membuang semua imbuhan berdasarkan kepada senarai petua imbuhan • Sensitif konteks : mengambilkira huruf lain yang terlibat di dalam sesuatu perkataan. Contoh : • AxC  AyC, e.g., ki  ky • Padanan separa (partial matching) • Di dalam padanan separa, hanya n huruf permulaan pada perkataan yang telah dicantas digunakan untuk dibuat perbandingan • Versi berbeza Lovins, Slaton, Dawson, Porter, …

32. Stemming: Porter Algorithm • Rule format: • (condition on stem) suffix1 -> suffix2 • In case of conflict, prefer longest suffix match • “Measure” of a word is m in: • (C) (VC)m (V) • C = sequence of one or more consonants • V = sequence of one or more vowels • Examples: • tree C(VC)0V • troubles C(VC)2

33. Stemming: Porter Algorithm • Step 1a: remove plural suffixation • SSES -> SS (caresses) • IES -> I (ponies) • SS -> SS (caress) • S -> (cats) • Step 1b: remove verbal inflection • (m>0) EED -> EE (agreed, feed) • (*v*) ED -> (plastered, bled) • (*v*) ING -> (motoring, sing)

34. Stemming: Porter Algorithm • Step 1b: (contd. for -ed and -ing rules) • AT -> ATE (conflated) • BL -> BLE (troubled) • IZ -> IZE (sized) • (*doubled c & ¬(*L v *S v *Z)) -> single c (hopping, hissing, falling, fizzing) • (m=1 & *cvc) -> E (filing, failing, slowing) • Step 1c: Y and I • (*v*) Y -> I (happy, sky)

35. Stemming: Porter Algorithm • Step 2: Peel one suffix off for multiple suffixes • (m>0) ATIONAL -> ATE (relational) • (m>0) TIONAL -> TION (conditional, rational) • (m>0) ENCI -> ENCE (valenci) • (m>0) ANCI -> ANCE (hesitanci) • (m>0) IZER -> IZE (digitizer) • (m>0) ABLI -> ABLE (conformabli) - able (step 4) • … • (m>0) IZATION -> IZE (vietnamization) • (m>0) ATION -> ATE (predication) • … • (m>0) IVITI -> IVE (sensitiviti)

36. Stemming: Porter Algorithm • Step 3 • (m>0) ICATE -> IC (triplicate) • (m>0) ATIVE -> (formative) • (m>0) ALIZE -> AL (formalize) • (m>0) ICITI -> IC (electriciti) • (m>0) ICAL -> IC (electrical, chemical) • (m>0) FUL -> (hopeful) • (m>0) NESS -> (goodness)

37. Stemming: Porter Algorithm • Step 4: Delete last suffix • (m>1) AL -> (revival) - revive, see step 5 • (m>1) ANCE -> (allowance, dance) • (m>1) ENCE -> (inference, fence) • (m>1) ER -> (airliner, employer) • (m>1) IC -> (gyroscopic, electric) • (m>1) ABLE -> (adjustable, mov(e)able) • (m>1) IBLE -> (defensible,bible) • (m>1) ANT -> (irritant,ant) • (m>1) EMENT -> (replacement) • (m>1) MENT -> (adjustment) • …

38. Stemming: Porter Algorithm • Step 5a: remove e • (m>1) E -> (probate, rate) • (m>1 & ¬*cvc) E -> (cease) • Step 5b: ll reduction • (m>1 & *LL) -> L (controller, roll)

39. Stemming: Porter Algorithm • Misses (understemming) • Unaffected: • agreement (VC)1VCC - step 4 (m>1) • adhesion • Irregular morphology: • drove, geese • Overstemming • relativity - step 2 • Mis-stemming • wander C(VC)1VC

40. Measure Examples m=0 m=1 m=2 TR, EE, TREE, Y, BY TROUBLE, OATS, TREES, IVY TROUBLES, PRIVATE, OATEN Porter’s Algorithm • Vowels are a, e, i, o, u, and y if preceded by a consonant [C](VC)m[V • *<X> - the stem ends with a given letter X • *v* - the stem contains a vowel • *d - the stem ends in a double consonant • *o - the stem ends with a consonant-vowel-consonant sequence, where the final consonant is not w, x, or y.

41. Carta alir proses pangkasan perkataan

42. Fatimah’s Algorithm • Algorithma yang dibangunkan terbahagi kepada 2 bahagian • Prosedur Asas Pemangkas • Periksa setiap term pada kamus katakar. • Jika tidak ujud proses berikut dijalankan • Peraturan imbuhan awalan (awalan +) • Peraturan imbuhan awalan dan akhiran ( awalan + akhiran) • Peraturan imbuhan akhiran ( + akhiran ) • Peraturan imbuhan apitan ( + apitan + ) • Pangkasan lebih tepat dan katakar betul  penggunaan pendekatan sensitive-konteks sebagai penambahan kekangan pada prosedur asas • Kekangan kuantitatif : minima panjang setelah dipangkas dikenalpasti • Panjang 2  imbuhan awalan dan imbuhan akhiran • Panjang 3  apitan dan cantuman imbuhan awalan dan akhiran

43. Fatimah’s Algorithm • Peraturan pengekodan semula (2. Algorithma yang dibangunkan) • Ejaan dan penyesuaian peraturan digunakan bagi meningkat ketepatan pemangkasan. • Ia tidak dilakukan oleh peraturan morpologi tapi oleh aturcara sendiri. • Contoh

44. Fatimah’s Algorithm Algorithma pemangkas Bahasa Melayu (Fatimah , 1995) • Langkah 1 : Dapatkan perkataan / term yang berikutnya sehingga perkataan yang terakhir • Langkah 2 : Periksa perkataan berdasarkan kamus, jika ada maka perkataan itu adalah katakar, pergi langkah 1. • Langkah 3: Dapatkan peraturan yang selanjutnya, jika tiada peraturan yang sesuai maka perkataan tersebut dianggap sebagai katakar, pergi langkah 1 • Langkah 4 : Guna peraturan pada perkataan bagi mendapatkan perkataan terpangkas. • Langkah 5 : Periksa perkataan yang dipangkas dengan perkataan di dalam kamus, jika perlu, guna pengkodan semula bagi mendapatkan ejaan yang diterima. Periksa kamus semula. • Langkah 6 : Jika perkataan yang dipangkas ada di dalam kamus, maka perkataan yang dipangkas adalah katakar dan pergi ke langkah pertama, jika tidak pergi ke langkah ketiga.