引入
大家在使用谷歌或者百度搜索时,输入搜索内容时,谷歌总是能提供非常好的拼写检查,比如你输入 speling,谷歌会马上返回 spelling。
下面是用21行python代码实现的一个简易但是具备完整功能的拼写检查器。
代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
|
import re, collections
def words(text): return re.findall( '[a-z]+' , text.lower())
def train(features):
model = collections.defaultdict( lambda : 1 )
for f in features:
model[f] + = 1
return model
NWORDS = train(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(word):
candidates = known([word]) or known(edits1(word)) or known_edits2(word) or [word]
return max (candidates, key = NWORDS.get)
correct函数是程序的入口,传进去错误拼写的单词会返回正确。如:
>>> correct( "cpoy" )
'copy'
>>> correct( "engilsh" )
'english'
>>> correct( "sruprise" )
'surprise'
|
除了这段代码外,作为机器学习的一部分,肯定还应该有大量的样本数据,准备了big.txt作为我们的样本数据。
背后原理
上面的代码是基于贝叶斯来实现的,事实上谷歌百度实现的拼写检查也是通过贝叶斯实现,不过肯定比这个复杂多了。
首先简单介绍一下背后的原理,如果读者之前了解过了,可以跳过这段。
给一个词,我们试图选取一个最可能的正确的的拼写建议(建议也可能就是输入的单词)。有时也不清楚(比如lates应该被更正为late或者latest?),我们用概率决定把哪一个作为建议。我们从跟原始词w相关的所有可能的正确拼写中找到可能性最大的那个拼写建议c:
1
|
argmaxc P(c|w)
|
通过贝叶斯定理,上式可以转化为
1
|
argmaxc P(w|c) P(c) / P(w)
|
下面介绍一下上式中的含义:
- P(c|w)代表在输入单词w 的情况下,你本来想输入 单词c的概率。
- P(w|c)代表用户想输入单词c却输入w的概率,这个可以我们认为给定的。
- P(c)代表在样本数据中单词c出现的概率
- P(w)代表在样本数字中单词w出现的概率
可以确定P(w)对于所有可能的单词c概率都是一样的,所以上式可以转换为
argmaxc P(w|c) P(c)
我们所有的代码都是基于这个公式来的,下面分析具体代码实现
代码分析
利用words()函数提取big.txt中的单词
1
|
def words(text): return re.findall( '[a-z]+' , text.lower())
|
re.findall(‘[a-z]+'是利用python正则表达式模块,提取所有的符合'[a-z]+'条件的,也就是由字母组成的单词。(这里不详细介绍正则表达式了,有兴趣的同学可以看 正则表达式简介。text.lower()是将文本转化为小写字母,也就是“the”和“The”一样定义为同一个单词。
利用train()函数计算每个单词出现的次数然后训练出一个合适的模型
1
2
3
4
5
6
|
def train(features):
model = collections.defaultdict( lambda : 1 )
for f in features:
model[f] + = 1
return model
NWORDS = train(words( file ( 'big.txt' ).read()))
|
这样NWORDS[w]代表了单词w在样本中出现的次数。如果有一个单词并没有出现在我们的样本中该怎么办?处理方法是将他们的次数默认设为1,这里通过collections模块和lambda表达式实现。collections.defaultdict()创建了一个默认的字典,lambda:1将这个字典中的每个值都默认设为1。
现在我们处理完了公式argmaxc P(w|c) P(c)中的P(c),接下来处理P(w|c)即想输入单词c却错误地输入单词w的概率,通过 “edit distance“--将一个单词变为另一个单词所需要的编辑次数来衡量,一次edit可能是一次删除,一个交换(两个相邻的字母),一次插入,一次修改。下面的函数返回一个将c进行一次编辑所有可能得到的单词w的集合:
1
2
3
4
5
6
7
|
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)
|
相关论文显示,80-95%的拼写错误跟想要拼写的单词都只有1个编辑距离,如果觉得一次编辑不够,那我们再来一次
1
2
|
def known_edits2(word):
return set (e2 for e1 in edits1(word) for e2 in edits1(e1) if e2 in NWORDS)
|
同时还可能有编辑距离为0次的即本身就拼写正确的:
1
2
|
def known(words):
return set (w for w in words if w in NWORDS)
|
我们假设编辑距离1次的概率远大于2次的,0次的远大于1次的。下面通过correct函数先选择编辑距离最小的单词,其对应的P(w|c)就会越大,作为候选单词,再选择P(c)最大的那个单词作为拼写建议
1
2
3
|
def correct(word):
candidates = known([word]) or known(edits1(word)) or known_edits2(word) or [word]
return max (candidates, key = NWORDS.get)
|
以上就是本文的全部内容,希望对大家学习python程序设计有所帮助。