用马尔科夫模型做拼写检查

Myth丶恋晨 2021-11-26 08:28 248阅读 0赞

原理和原文见 Peter Norvig的[这篇文章][Link 1]

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  ==   1 :  return   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)  \-   1 ,  10 )  
     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( lambda :  1 )  
     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 " )

转载于:https://www.cnblogs.com/MichaelPeng/archive/2011/05/13/spell\_checker\_markov.html

[Link 1]: http://norvig.com/spell-correct.html