Fix space before tab
[xapian.git] / xapian-core / docs / stemming.rst
blob342030e2720a6acfbb5a224d9836ae0236f8ab17
1 .. |<->| unicode:: U+2194 .. left right arrow
3 Stemming Algorithms
4 ===================
6 Xapian uses the `Snowball Stemming
7 Algorithms <http://snowballstem.org/>`_. At present, these support
8 Armenian, Basque, Catalan, Danish, Dutch, English, Finnish, French, German,
9 Hungarian, Italian, Norwegian, Portuguese, Romanian, Russian, Spanish, Swedish,
10 and Turkish.
12 There are also implementations of Lovins' English stemmer, Porter's
13 original English stemmer, the Kraaij-Pohlmann Dutch stemmer, and a
14 variation of the German stemmer which normalises umlauts.
16 We'd like to add stemmers for more languages - see the Snowball site for
17 information on how to contribute.
19 What is a stemming algorithm?
20 -----------------------------
22 A stemming algorithm is a process of linguistic normalisation, in which
23 the variant forms of a word are reduced to a common form, for example,
26         connection
27         connections
28         connective          --->   connect
29         connected
30         connecting
32 It is important to appreciate that we use stemming with the intention of
33 improving the performance of IR systems. It is not an exercise in
34 etymology or grammar. In fact from an etymological or grammatical
35 viewpoint, a stemming algorithm is liable to make many mistakes. In
36 addition, stemming algorithms - at least the ones presented here - are
37 applicable to the written, not the spoken, form of the language.
39 For some of the world's languages, Chinese for example, the concept of
40 stemming is not applicable, but it is certainly meaningful for the many
41 languages of the Indo-European group. In these languages words tend to
42 be constant at the front, and to vary at the end::
44                        -ion
45                        -ions
46                 connect-ive
47                        -ed
48                        -ing
50 The variable part is the `ending`, or `suffix`. Taking these endings
51 off is called `suffix stripping` or `stemming`, and the residual part
52 is called the stem.
54 Endings
55 -------
57 Another way of looking at endings and suffixes is to think of the suffix
58 as being made up of a number of endings. For example, the French word
61                 confirmatives
63 can be thought of as `confirm` with a chain of endings,
66                 -atif (adjectival ending - morphological)
67         plus    -e    (feminine ending - grammatical)
68         plus    -s    (plural ending - grammatical)
70 -atif can also be thought of as -ate plus -if. Note that the addition of
71 endings can cause respellings, so -e changes preceding `f` to `v`.
73 Endings fall into two classes, grammatical and morphological. The
74 addition of -s in English to make a plural is an example of a
75 grammatical ending. The word remains of the same type. There is usually
76 only one dictionary entry for a word with all its various grammatical
77 endings. Morphological endings create new types of word. In English -ise
78 or -ize makes verbs from nouns (`demon`, `demonise`), -ly makes
79 adverbs from adjectives (`foolish`, `foolishly`), and so on. Usually
80 there are separate dictionary endings for these creations.
82 Language knowledge
83 ------------------
85 It is much easier to write a stemming algorithm for a language when you
86 are familiar with it. If you are not, you will probably need to work
87 with someone who is, and who can also explain details of grammar to you.
88 Best is a professional teacher or translator. You certainly don't need
89 to have a world authority on the grammar of the language. In fact too
90 much expertise can get in the way when it comes to the very practical
91 matter of writing the stemming algorithm.
93 Vocabularies
94 ------------
96 Each stemmer is issued with a vocabulary in data/voc.txt, and its
97 stemmed form in data/voc.st. You can use these for testing and
98 evaluation purposes.
100 Raw materials
101 -------------
103 A conventional grammar of a language will list all the grammatical
104 endings, and will often summarise most of the morphological endings. A
105 grammar, plus a dictionary, are therefore basic references in the
106 development of a stemming algorithm, although you can dispense with them
107 if you have an excellent knowledge of the language. What you cannot
108 dispense with is a vocabulary to try the algorithm out on as it is being
109 developed. Assemble about 2 megabytes of text. A mix of sources is best,
110 and literary prose (conventional novels) usually gives an ideal mix of
111 tenses, cases, persons, genders etc. Obviously the texts should be in
112 some sense 'contemporary', but it is an error to exclude anything
113 slightly old. The algorithm itself may well get applied to older texts
114 once it has been written. For English, the works of Shakespeare in the
115 customary modern spelling make a good test vocabulary.
117 From the source text derive a control vocabulary of words in sorted
118 order. Sample vocabularies in this style are part of our Open Source
119 release. If you make a small change to the stemming algorithm you should
120 have a procedure that presents the change as a three column table:
121 column one is the control vocabulary, column 2 the stemmed equivalent,
122 and column 3 the stemmed equivalent after the change has been made to
123 the algorithm. The effects of the change can be evaluated by looking at
124 the differences between columns two and three.
126 The first job is to come up with a list of endings. This can be done by
127 referring to the grammar, the dictionary, and also by browsing through
128 the control vocabulary.
130 Rules for removing endings
131 --------------------------
133 If a word has an ending, E, when should E be removed? Various criteria
134 come into play here. One is the knowledge we have about the word from
135 other endings that might have been removed. If a word ends with a
136 grammatical verb ending, and that has been removed, then we have a verb
137 form, and the only further endings to consider are morphological endings
138 that create verbs from other word types. At this level the system of
139 endings gives rise to a small state table, which can be followed in
140 devising the algorithm. In Latin derived languages, there is a state
141 table of morphological endings that roughly looks like this::
143        -IC (adj) -+->  -ATION (noun)
144                   +->  -ITY (noun)
145                   +->  -MENT (adv)
146                   \->  -AT (verb)     -+->   -IV (adj)    -+->   -ITY (noun)
147                                        |                   \->   -MENT (adv)
148                                        \->   -OR (noun)
150      -ABLE (adj) -+->  -ITY (noun)
151                   \->  -MENT (adv)
153       -OUS (adj) --->  -MENT (adv)
155 The ending forms take different values in different languages. In
156 French, -OR becomes `-eur` (m.) or `-rice` (f.), -AT disappears into
157 the infinitive form of a verb. In English, -MENT becomes `-ly`, and
158 then one can recognise,
161        -IC-ATION   fortification
162        -IC-ITY     electricity
163        -IC-MENT    fantastically
164        -AT-IV      contemplative
165        -AT-OR      conspirator
166        -IV-ITY     relativity
167        -IV-MENT    instinctively
168        -ABLE-ITY   incapability
169        -ABLE-MENT  charitably
170        -OUS-MENT   famously
172 Trios, -IC-AT-IV etc., also occur, but sequences of length four,
173 -IC-AT-IV-ITY and -IC-AT-IV-MENT, are absent (or occur very rarely).
175 Sometimes the validity of an ending depends on the immediately preceding
176 group of letters. In Italian, for example, certain pronouns and pronoun
177 groups attach to present participle and infinitive forms of verbs, for
178 example,
181     scrivendole = scrivendo (writing) + le (to her)
182     mandarglielo = mandare (to give) + glielo (it to him)
184 If E is the ending, the possible forms are -andoE, -endoE, -arE, -erE,
185 -irE, so E is removed in the context -Xndo or Yr, where X is a or e, and
186 Y is a or e or i. See the ``attached_pronoun`` procedure in the Italian
187 stemmer.
189 The most useful criterion for removing an ending, however, is to base
190 the decision on the syllable length of the stem that will remain. This
191 idea was first used in the English stemming algorithm, and has been
192 found to be applicable in the other stemming algorithms too. If C stands
193 for a sequence of consonants, and V for a sequence of vowels, any word
194 can be analysed as,
197             [C] V C ... V C [V]
199 where [..] indicates arbitrary presence, and V C ... V C means V C
200 repeated zero or more times. We can find successive positions 0, 1, 2
201 ... in a word corresponding to each vowel-consonant stretch V C,
204             t h u n d e r s t r i c k e n
205                0     1         2     3   4
207 The closer E is to the beginning of the word, the more unwilling we
208 should be remove it. So we might have a rule to remove E if at is after
209 position 2, and so on.
211 Developing the algorithm
212 ------------------------
214 Build the algorithm up bit by bit, trying out a small number of ending
215 removals at a time. For each new ending plus rule added, decide whether,
216 on average, the stemming process is improved or degraded. If it is
217 degraded the rule is unhelpful and can be discarded.
219 This sounds like common sense, but it is actually very easy to fall into
220 the trap of endlessly elaborating the rules without looking at their
221 true effect. What you find eventually is that you can be improving
222 performance in one area of the vocabulary, while causing a similar
223 degradation of performance in another area. When this happens
224 consistently it is time to call a halt to development and to regard the
225 stemming algorithm as finished.
227 It is important to realise that the stemming process cannot be made
228 perfect. For example, in French, the simple verb endings -ons and -ent
229 of the present tense occur repeatedly in other contexts. -ons is the
230 plural form of all nouns ending -on, and -ent is also a common noun
231 ending. On balance it is best not to remove these endings. In practice
232 this affects -ent verb endings more than -ons verb endings, since -ent
233 endings are commoner. The result is that verbs stem not to a single
234 form, but to a much smaller number of forms (three), among which the
235 form given by the true stem of the verb is by far the commonest.
237 If we define errors A and B by,
239 - error A: removing an ending when it is not an ending
240 - error B: not removing an ending when it is an ending
242 Then removing -ent leads to error A; not removing -ent leads to error B.
243 We must adopt the rule that minimises the number of errors - not the
244 rule that appears to be the most elegant.
246 Irregular forms
247 ---------------
249 Linguistic irregularities slip through the net of a stemming algorithm.
250 The English stemmer stems `cows` to `cow`, but does not stem `oxen`
251 to `ox`. In reality this matters much less than one might suppose. In
252 English, the irregular plurals tend to be of things that were common in
253 Anglo-Saxon England: oxen, sheep, mice, dice - and lice. Men, women and
254 children are of course common today, but the very commonness of these
255 words makes them of less importance in IR systems. Similar remarks may
256 be said about irregular verbs in English, the total number of which is
257 around 150. Here, the fact that verbs are used perhaps rather less than
258 nouns and adjectives in IR queries helps account for the unimportance of
259 verb irregularities in IR performance. There are in English more
260 significant irregularities in morphological changes such as `receive`
261 to `reception`, `decide` to `decision` etc., which correspond,
262 ultimately, to irregularities in the Latin verbs from which these words
263 derive. But again working IR systems are rarely upset by lack of
264 resolution of these forms.
266 An irregularity of English which does cause a problem is the word
267 `news`. It is now a singular noun, and is never regarded as the plural
268 of `new`. This, and a few more howlers, are placed in a table,
269 ``irregular_forms``, in the English stemming algorithm. Similar tables
270 are provided in the other stemming algorithms, with some provisional
271 entries. The non-English stemming algorithms have not been used enough
272 for a significant list of irregular forms to emerge, but as they do,
273 they can be placed in the ``irregular_forms`` table.
275 Using stemming in IR
276 --------------------
278 In earlier implementations of IR systems, the words of a text were
279 usually stemmed as part of the indexing process, and the stemmed forms
280 only held in the main IR index. The words of each incoming query would
281 then be stemmed similarly. When the index terms were seen by the user,
282 for example during query expansion, they would be seen in their stemmed
283 form. It was important therefore that the stemmed form of a word should
284 not be too unfamiliar in appearance. A user will be comfortable with
285 seeing `apprehend`, which stands for `apprehending`, `apprehended` as
286 well as `apprehend`. More problematical is `apprehens`, standing for
287 `apprehension`, `apprehensive` etc., but even so, a trained user would
288 not have a problem with this. In fact all the Xapian stemming algorithms
289 are built on the assumption that it leave stemmed forms which it would
290 not be embarrassing to show to real users, and we suggest that new
291 stemming algorithms are designed with this criterion in mind.
293 A superior approach is to keep each word, *W*, and its stemmed form,
294 *s(W)*, as a two-way relation in the IR system. *W* is held in the index
295 with its own posting list. *s(W)* could have its separate posting list,
296 but this would be derivable from the class of words that stem to *s(W)*.
297 The important thing is to have the *W* |<->| *s(W)* relation. From *W* we
298 can derive *s(W)*, the stemmed form. From a stemmed form *s(W)* we can
299 derive *W* plus the other words in the IR system which stem to *s(W)*.
300 Any word can then be searched on either stemmed or unstemmed. If the
301 stemmed form of a word needs to be shown to the user, it can be
302 represented by the commonest among the words which stem to that form.
304 Stopwords
305 ---------
307 It has been traditional in setting up IR systems to discard the very
308 commonest words of a language - the stopwords - during indexing. A more
309 modern approach is to index everything, which greatly assists searching
310 for phrases for example. Stopwords can then still be eliminated from the
311 query as an optional style of retrieval. In either case, a list of
312 stopwords for a language is useful.
314 Getting a list of stopwords can be done by sorting a vocabulary of a
315 text corpus for a language by frequency, and going down the list picking
316 off words to be discarded.
318 The stopword list connects in various ways with the stemming algorithm:
320 The stemming algorithm can itself be used to detect and remove
321 stopwords. One would add into the ``irregular_forms`` table something
322 like this,
325        "", /* null string */
327        "am/is/are/be/being/been/"    /* BE */
328        "have/has/having/had/"        /* HAD */
329        "do/does/doing/did/"          /* DID */
330        ...                           /* multi-line string */
332 so that the words `am`, `is` etc. map to the null string (or some
333 other easily recognised value).
335 Alternatively, stopwords could be removed before the stemming algorithm
336 is applied, or after the stemming algorithm is applied. In this latter
337 case, the words to be removed must themselves have gone through the
338 stemmer, and the number of distinct forms will be greatly reduced as a
339 result. In Italian for example, the four forms
342         questa     queste    questi    questo
344 (meaning `that`) all stem to
347         quest
349 .. FIXME: Nice idea, but currently these lists are fictitious:
350     In the xapian-data directory in the git repository, each language
351     represented in the stemming section has, in addition to a large test
352     vocabulary, a useful stopword list in both source and stemmed form. The
353     source form, in the file ``stopsource``, is carefully annotated, and the
354     derived file, ``stopwords``, contains an equivalent list of sorted,
355     stemmed, stopwords.