Bonjour,

désolé d'avoir laissé passer tant de temps, je voulais retrouver mon code (projet de moteur de recherche à l'école) ou faire une réponse détaillée mais tant pis.

J'ai déjà fait un algo très basique de stemming en français, et les résultats sont extrêmement satisfaisants pour une approche très naïve : en mettant les préfixes, suffixes, féminins, pluriels et conjugaisons usuelles du français, on construit assez facilement une bonne grosse regexp [1] qui trouve les racines des mots français.
Ça a dû me prendre une ou deux heures à tout casser, et un peu de tests pour ajuster l'ordre de ces "blocs de construction" [2].

Hormis de rares cas particuliers, souvent sur des mots courts ou si la racine du mot est elle-même un préfixe connu (typiquement, une racine grecque), j'avais plus de 2Go de texte pur et ça ressortait très bien.

On avait déjà des heuristiques à l'étape de recherche en cas de mot trop court, bien sûr, mais je ne me rappelle de rien de trop sorcier.
Je pense qu'une simple gestion des cas limites à l'indexation suffit [3].

Bref : n'hésite pas avec une approche naïve, ça marche vraiment bien !
Bon courage et n'hésite pas à nous en dire plus sur ton avancement.

[1] 200 à 400 caractères tout au plus, c'est pas énorme, surtout que tu la construits en morceaux qui font rarement plus de 50 caractères

[2] je pense que l'ordre que je donne ici est bon, notons juste que (féminin et pluriel) et (verbe conjugué) sont mutuellement exclusifs

[3] si le stemming a tout mangé et retourne vide, relancer un stemming moins gourmand, par exemple avec une regexp avec un peu moins de "blocs" (féminins + pluriels + conjugaisons, sans les préfixes et suffixes courants)