Lematizarea este procesul lingvistic prin care un cuvânt este redus la forma sa de bază, numită lemă sau formă din dicționar — de exemplu, „alergat”, „aleargă” și „alergam” sunt toate reduse la lema „a alerga”. Spre deosebire de stemming (care taie brut sufixele pe baza unor reguli simple, riscând să genereze forme care nu sunt cuvinte reale), lematizarea folosește analiza gramaticală și un dicționar de referință pentru a produce întotdeauna o formă validă din punct de vedere lingvistic.
Acest proces este un pas important de preprocesare în multe aplicații de procesare a limbajului natural, deoarece reduce numărul de variante distincte ale aceluiași concept pe care un model trebuie să le trateze separat. De exemplu, într-un motor de căutare, lematizarea permite ca o interogare pentru „mașini” să găsească și documente care conțin „mașină” sau „mașinii”, crescând relevanța rezultatelor.
Lematizarea este considerabil mai complexă pentru limbi cu morfologie bogată — precum româna, cu numeroase forme flexionare pentru gen, număr, caz și timp verbal — comparativ cu limbi mai puțin flexate precum engleza. Din acest motiv, sistemele de lematizare pentru limba română necesită dicționare morfologice extinse și, adesea, analiza contextului gramatical al propoziției pentru a dezambiguiza corect forma de bază a unui cuvânt (de exemplu, „scris” poate fi participiul verbului „a scrie” sau un adjectiv/substantiv independent, în funcție de context).
