忽略可能的计算限制，在分析文本数据时，是否存在词形还原会适得其反的一般应用？
例如，词形还原是不是在构建上下文感知模型时不做的事情？
作为参考，每个 dictinory.com 的词形还原是将（单词）的变形形式组合在一起以作为单个项目进行分析的行为。
例如，单词“cook”是单词“cooking”的引理。例如，词形还原的行为是在您对文本数据进行标记后将单词 cook 替换为 cook。此外，“worse”这个词有“bad”作为它的引理，就像前面的例子一样，用“bad”替换“worse”这个词是词形还原的动作。
会受到词形还原损害的 NLP 任务：
1) 时态分类
sentence | tense
------------------------------------
He cooked a nice meal | past
He cooks a nice meal | present
动词末尾的字符序列可以帮助完成这项任务。动词cooked和cooks分别在最后一个字符ed 和s处不同。
通过词形还原，这些信息会丢失。两个动词都变成了cook，使两个句子（在这种情况下）看起来都是现在时。
2) 作者身份
给定
对文档进行分类 是作者写的 或者 .
实现这一点的一种方法是查看单词的直方图 并将其与来自的文档进行比较 和 并选择最相似的一个。
这是有效的，因为不同的作者使用不同频率的某些词。但是，通过使用词形还原，您会扭曲这些频率，从而损害模型的性能。