Stemminglemmatisering

Stemminglemmatisering is een methode in natuurlijke taalverwerking die zowel stemming als lemmatisering combineert om woorden te normaliseren voor taken zoals informatieophaling en tekstclassificatie. Stemming verwijdert affixen en reduceert een woord tot een stam, terwijl lemmatisering het woord omzet naar zijn lemma of woordenboekvorm op basis van grammaticale context. Bij stemminglemmatisering wordt doorgaans eerst gestemd en daarna gelemmatiseerd om varianten met dezelfde betekenis op consistente wijze te indexeren.

In een typische pipeline wordt eerst stemming toegepast om varianten van een woord te reduceren, gevolgd door lemmatisering met behulp van een woordenboek en een POS-tagger. Soms worden beide stappen in combinatie toegepast en de resultaten samengevoegd om de voordelen van beide technieken te benutten. Specifieke bronnen voor de Nederlandse taal zijn daarbij essentieel.

Voordelen omvatten vaak een betere recall in zoektoepassingen en een gestandaardiseerde representatie van woordvormen, wat de vergelijking van documenten vereenvoudigt. Nadelen zijn onder meer hogere rekenlast, afhankelijkheid van kwalitatieve lexicons en tagging, en het risico dat informatieve details verloren gaan bij overmatige normalisatie, vooral bij zeldzame of juist polysemische termen.

Toepassingen zijn onder meer informatieophaling, tekstclassificatie, taalmodellering en automatische samenvatting. De aanpak is vooral relevant voor talen met rijke vervoegingspatronen zoals het Nederlands.

Voorbeeld: 'lopen', 'loopt', 'liep' kunnen worden teruggebracht tot het lemma 'lopen'; de stemming kan deze vormen verder reduceren tot een gemeenschappelijke stam, afhankelijk van het gebruikte algoritme. In combinatie kan dit leiden tot een robuuste maar soms minder precieze normalisatie.