crlwingen/tagalogstemmerpython

Tagalog Words Stemmer using Python

Tagalog Words Stemmer using Python

Description:

Tagalog Words Stemmer is a program that processes Tagalog words by removing all of its affixes and returns the root of the words.

Sample Output:

Input: "Patuloy pa din sila sa paghahanap ng posibleng gamot sa malubhang sakit ng dinaramdam ng kanyang ina."

word : root

• patuloy : tuloy
• pa : pa
• din : din
• sila : sila
• sa : sa
• paghahanap : hanap
• ng : ng
• posibleng : posible
• gamot : gamot
• sa : sa
• malubhang : lubha
• sakit : sakit
• ng : ng
• dinaramdam : daramdam
• ng : ng
• kanyang : kanya
• ina. : ina
  

word_info

• {'prefix': ['pa'], 'clean': [], 'infix': [], 'root': 'tuloy', 'repeat': [], 'suffix': [], 'word': 'Patuloy', 'dupli': []}
• {'prefix': '[]', 'clean': '[]', 'infix': '[]', 'root': 'pa', 'repeat': '[]', 'suffix': '[]', 'word': 'pa', 'dupli': '[]'}
• {'prefix': [], 'clean': [], 'infix': [], 'root': 'din', 'repeat': [], 'suffix': [], 'word': 'din', 'dupli': []}
• {'prefix': [], 'clean': [], 'infix': [], 'root': 'sila', 'repeat': [], 'suffix': [], 'word': 'sila', 'dupli': []}
• {'prefix': [], 'clean': [], 'infix': [], 'root': 'sa', 'repeat': [], 'suffix': [], 'word': 'sa', 'dupli': []}
• {'prefix': ['pag'], 'clean': [], 'infix': [], 'root': 'hanap', 'repeat': ['ha'], 'suffix': [], 'word': 'paghahanap', 'dupli': []}
• {'prefix': [], 'clean': [], 'infix': [], 'root': 'ng', 'repeat': [], 'suffix': [], 'word': 'ng', 'dupli': []}
• {'prefix': [], 'clean': [], 'infix': [], 'root': 'posible', 'repeat': [], 'suffix': ['ng'], 'word': 'posibleng', 'dupli': []}
• {'prefix': [], 'clean': [], 'infix': [], 'root': 'gamot', 'repeat': [], 'suffix': [], 'word': 'gamot', 'dupli': []}
• {'prefix': [], 'clean': [], 'infix': [], 'root': 'sa', 'repeat': [], 'suffix': [], 'word': 'sa', 'dupli': []}
• {'prefix': ['ma'], 'clean': [], 'infix': [], 'root': 'lubha', 'repeat': [], 'suffix': ['ng'], 'word': 'malubhang', 'dupli': []}
• {'prefix': [], 'clean': [], 'infix': [], 'root': 'sakit', 'repeat': [], 'suffix': [], 'word': 'sakit', 'dupli': []}
• {'prefix': [], 'clean': [], 'infix': [], 'root': 'ng', 'repeat': [], 'suffix': [], 'word': 'ng', 'dupli': []}
• {'prefix': [], 'clean': [], 'infix': ['in'], 'root': 'daramdam', 'repeat': [], 'suffix': [], 'word': 'dinaramdam', 'dupli': []}
• {'prefix': [], 'clean': [], 'infix': [], 'root': 'ng', 'repeat': [], 'suffix': [], 'word': 'ng', 'dupli': []}
• {'prefix': [], 'clean': [], 'infix': [], 'root': 'kanya', 'repeat': [], 'suffix': ['ng'], 'word': 'kanyang', 'dupli': []}
• {'prefix': [], 'clean': ['.'], 'infix': [], 'root': 'ina', 'repeat': [], 'suffix': [], 'word': 'ina.', 'dupli': []}
  

validation

• Accuracy: 94.12%
• Errors: ['daramdam']
  

Usage:

python TglStemmer.py [mode] [source] [info]

• modes: [1: text_file] [2: raw_string]
• source: [1: file_name] [2: "raw_string"]
• info: [1 word-root] [2: show_word_info]
  

Fix List:

• mag-aa
• mag-alinlangan : g-alinlang ??
• lalung-lalo
• mangitlog : gitlog
• mangingisdang : gingisda
• napapakinggan : pakingg
• pagkakasunod-sunod : sunod-sunod???
• pinagtratrabahuhan : ratrabaho ???
• 2nd pass
• bibigay = igay?
• if prefix[-1] = c >> should be v + c
• kaluguran : lugor
• partial >> if token[0] == token[1][0:len(token[0])] >> ret token[1]
• prefix + partial dupli
• prefix >> if - in token > if tok - prefix != tok2 > return token
• punong-bayan : punong-bay
• tagpuan : puan
• tsismis : sismis
• katangi-tanging : tangi-tang
• validation data
• period tracker