机器学习-贝叶斯拼写纠正器实战

#python版本3.7

import re, collections
#将语料库里的单词全部转换为小写
def words(text): return re.findall('[a-z]+', text.lower()) 
#词频统计
def train(features):
　　model = collections.defaultdict(lambda: 1)
　　for f in features:
　　　　model[f] += 1
return model

NWORDS = train(words(open('big.txt').read()))

alphabet = 'abcdefghijklmnopqrstuvwxyz'
#编辑距离1，构建所有可能出现的词的集合，缺点是错误的词也加进去了。后面会优化。

def edits1(word):
　　n = len(word)
　　return set([word[0:i]+word[i+1:] for i in range(n)] + # deletion
　　　　　　[word[0:i]+word[i+1]+word[i]+word[i+2:] for i in range(n-1)] + # transposition
　　　　　　[word[0:i]+c+word[i+1:] for i in range(n) for c in alphabet] + # alteration
　　　　　　[word[0:i]+c+word[i:] for i in range(n+1) for c in alphabet]) # insertion
#编辑距离2，相当于编辑距离1的做两次循环

 

def known_edits2(word):
　　return set(e2 for e1 in edits1(word) for e2 in edits1(e1) if e2 in NWORDS)
#判断是否是一个正确或者已知的词
def known(words): return set(w for w in words if w in NWORDS)
#拼写纠正
def correct(word):
#返回所有可能出现的词
　　candidates = known([word]) or known(edits1(word)) or known_edits2(word) or [word]
　　return max(candidates, key=lambda w: NWORDS[w])

 

correct('whi')

 #纠正结果

 

求解：argmaxc P(c|w) -> argmaxc P(w|c) P(c) / P(w)

• P(c), 文章中出现一个正确拼写词 c 的概率, 也就是说, 在英语文章中, c 出现的概率有多大
• P(w|c), 在用户想键入 c 的情况下敲成 w 的概率. 因为这个是代表用户会以多大的概率把 c 敲错成 w
• argmaxc, 用来枚举所有可能的 c 并且选取概率最大的

 

# 把语料中的单词全部抽取出来, 转成小写, 并且去除单词中间的特殊符号
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(open('big.txt').read()))

‘’‘要是遇到我们从来没有过见过的新词怎么办. 假如说一个词拼写完全正确, 但是语料库中没有包含这个词, 从而这个词也永远不会出现在训练集中. 于是, 我们就要返回出现这个词的概率是0. 这个情况不太妙, 因为概率为0这个代表了这个事件绝对不可能发生, 而在我们的概率模型中, 我们期望用一个很小的概率来代表这种情况. lambda: 1

‘’‘

NWORDS