是否有现有的Java库可以告诉我String是否包含英语语言文本(例如,我需要能够区分法语或意大利语文本 - 该函数需要为法语和意大利语返回false,对于英语是真的) ?
发布于 2019-04-08 08:14:57
您可以尝试将每个单词与英语,法语或意大利语词典进行比较。请记住,虽然某些单词可能出现在多个词典中。
发布于 2019-04-08 09:55:24
有各种技术,强大的方法将结合各种技术:
为了帮助您入门,以下是英语,法语和意大利语的频繁三字和字数统计(从某些代码中复制和粘贴 - 我将其作为练习来解析它们):
Locale.ENGLISH,
"he_=38426;the=38122;nd_=20901;ed_=20519;and=18417;ing=16248;to_=15295;ng_=15281;er_=15192;at_=14219",
"the=11209;and=6631;to=5763;of=5561;a=5487;in=3421;was=3214;his=2313;that=2311;he=2115",
Locale.FRENCH,
"es_=38676;de_=28820;ent=21451;nt_=21072;e_d=18764;le_=17051;ion=15803;s_d=15491;e_l=14888;la_=14260",
"de=10726;la=5581;le=3954;" + ((char)224) + "=3930;et=3563;des=3295;les=3277;du=2667;en=2505;un=1588",
Locale.ITALIAN,
"re_=7275;la_=7251;to_=7208;_di=7170;_e_=7031;_co=5919;che=5876;he_=5622;no_=5546;di_=5460",
"di=7014;e=4045;il=3313;che=3006;la=2943;a=2541;in=2434;per=2165;del=2013;un=1945",
(Trigram计数是每百万个字符;单词计数是每百万个单词。'_'字符表示单词边界。)
我记得,这些数字在牛津计算语言学家手册中引用,并以报纸文章样本为基础。如果你有这些语言的文本语料库,那么自己很容易得出类似的数字。
如果您想要一种非常快速和肮脏的方式来应用上述方法,请尝试:
显然,这可以进行改进,但是您可能会发现这个简单的解决方案足以满足您的需求,因为您基本上对“英语与否”感兴趣。
https://stackoverflow.com/questions/-100001081
复制相似问题