QA MichaelPeng

一个QA的零零碎碎

用马尔科夫模型做拼写检查

原理和原文见 Peter Norvig的这篇文章

原文是基于词频,在文后提到可以通过上下文来提高准确率

 

下面这段代码只考虑了待纠正词在序列末尾的情况,应当还要考虑其在序列中和序列首的情况

 

import re, collections, sys, random

def words(text): return re.findall('[a-z]+', text.lower()) 

        
def defaultdict_factoryn(n, default):
    
if n == 1return lambda: default
    
return lambda: collections.defaultdict(defaultdict_factoryn(n-1, default))

def multidict_set(d, l, v):
    curd 
= d;
    i 
= 0
    
for ele in l:
        i 
+= 1
        
if i == len(l):
            curd[ele] 
= v
        
else:
            curd 
= curd[ele]

def multidict_add(d, l, v):
    curd 
= d;
    i 
= 0
    
for ele in l:
        i 
+= 1
        
if i == len(l):
            curd[ele] 
+= v
        
else:
            curd 
= curd[ele]

def multidict_get(d, l):
    curd 
= d;
    i 
= 0
    
for ele in l:
        curd 
= curd[ele]
    
return curd

def train(features, n):
    model 
= collections.defaultdict(defaultdict_factoryn(n, 1))
    prevlen 
= n
    prev 
= collections.deque()
    
for f in features:
        
if (len(prev) < prevlen):
            prev.append(f)
            
continue
        multidict_add(model, prev, 
1)
        prev.popleft()
        prev.append(f)
    
return model



def most_likely(prev):
    l 
= multidict_get(Model, prev)
    
if not l:
        
return ""
    l 
= l.items()
    
if len(l) == 0:
        
return ""
    l 
= sorted(l, cmp=lambda x, y:y[1- x[1])
    count 
= min(len(l) - 110)
    
return l[random.randint(0, count)][0]

stage 
= 1
Model 
= train(words(file('big.txt').read()), stage + 1)

def train_1(features):
    model 
= collections.defaultdict(lambda1)
    
for f in features:
        model[f] 
+= 1
    
return model

NWORDS 
= train_1(words(file('big.txt').read()))

alphabet 
= 'abcdefghijklmnopqrstuvwxyz'

def edits1(word):
   splits     
= [(word[:i], word[i:]) for i in range(len(word) + 1)]
   deletes    
= [a + b[1:] for a, b in splits if b]
   transposes 
= [a + b[1+ b[0] + b[2:] for a, b in splits if len(b)>1]
   replaces   
= [a + c + b[1:] for a, b in splits for c in alphabet if b]
   inserts    
= [a + c + b     for a, b in splits for c in alphabet]
   
return set(deletes + transposes + replaces + inserts)

def known_edits2(word):
    
return set(e2 for e1 in edits1(word) for e2 in edits1(e1) if e2 in NWORDS)

def known(words): return set(w for w in words if w in NWORDS)

def correct(prev, word):
    
# print [(c, NWORDS.get(c)) for c in candidates]
    if len(prev) < stage:
        candidates 
= known([word]) or known(edits1(word)) or known_edits2(word) or set([word])
        
return max(candidates, key=NWORDS.get)
    
else:
        candidates 
= known([word]) | known(edits1(word)) | known_edits2(word) | set([word])
        
return max(candidates, key=lambda x:multidict_get(Model, prev + [x]))


print correct(["i"], "ove")
print correct([], "ove")

 

posted on 2011-05-13 17:12  Michael Peng  阅读(393)  评论(0编辑  收藏  举报

导航