NLP - truecase

---

关于 truecase

Truecasing is the process of restoring case information to badly-cased or non- cased text.

• 相关论文：https://www.cs.cmu.edu/~llita/papers/lita.truecasing-acl2003.pdf
• 本文基于这个repo 实现 : https://github.com/daltonfury42/truecase

---

安装

pip3 install truecase

---

简单使用

对英文进行 truecase

>>> import truecase
>>> truecase.get_true_case('hey, what is the weather in new york?')
'Hey, what is the weather in New York?''

---

训练 Train

README 中提到训练只说到：

TODO. For now refer to Trainer.py

那么我们便下载源码，来观察 Trainer.py 文件；

---

1、准备语料

Train.py 文件中 main 函数中的 corpus 来自 nltk，将某部分语料打印看看：

ret = nltk.corpus.brown.sents()
print(ret, type(ret))

---

得到这样的结果，是句子分词后的数组

[
    ['The', 'Fulton', 'County', 'Grand', 'Jury', 'said', 'Friday', 'an', 'investigation', 'of', "Atlanta's", 'recent', 'primary', 'election', 'produced', '``', 'no', 'evidence', "''", 'that', 'any', 'irregularities', 'took', 'place', '.'], 
    
    ['The', 'jury', 'further', 'said', 'in', 'term-end', 'presentments', 'that', 'the', 'City', 'Executive', 'Committee', ',', 'which', 'had', 'over-all', 'charge', 'of', 'the', 'election', ',', '``', 'deserves', 'the', 'praise', 'and', 'thanks', 'of', 'the', 'City', 'of', 'Atlanta', "''", 'for', 'the', 'manner', 'in', 'which', 'the', 'election', 'was', 'conducted', '.'], ...] 
    
    
 
'''

---

这里我要训练一个 越南语vi 的truecaser，简单粗暴，读取文件后使用空格分词；

def train_vi():

    corpus = []
    file_path = 'xx/vi.txt'

    for line in open(file_path):
        arr = line.strip().split(' ')
        corpus.append(arr)
 
    trainer = Trainer()
    trainer.train(corpus)

    trainer.save_to_file("data/vi.dist")

---

2、运行训练

cd xx/truecase/
python Trainer.py

训练完成后，模型文件被保存到 data/vi.dist

---

3、测试

def test_vi():

    dist_file_path = os.path.join(os.path.dirname(os.path.abspath(__file__)),
                                  "data/vi.dist")

    caser = TrueCaser(dist_file_path)

    text = 'Đến thời điểm này, Bộ Xây dựng nhìn nhận, tình trạng giá đất tăng nóng cục bộ tại một số ' 

    ret = caser.get_true_case(text.lower()) 
    # Đến thời điểm này, Bộ Xây dựng nhìn nhận, tình trạng giá đất tăng nóng cục bộ tại một số
    print(ret)

---

伊织 2022-11-24（四）