貝葉斯拼寫檢查器 python

import re, collections
defwords
(text):
return re.findall('[a-z]+', text.lower()) 
deftrain
(features):
model = collections.defaultdict(lambda: 1)
for f in features:
model[f] += 1
return model
nwords = train(words(open('big.txt').read()))
alphabet = 'abcdefghijklmnopqrstuvwxyz'
defedits1
(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
defknown_edits2
(word):
return set(e2 for e1 in edits1(word) for e2 in edits1(e1) if e2 in nwords)
defknown
(words):
return set(w for w in words if w in nwords)
defcorrect
(word):
candidates = known([word]) or known(edits1(word)) or known_edits2(word) or [word]
return max(candidates, key=lambda w: nwords[w])

#learw

#tess

#morw

# 把語料中的單詞全部抽取出來, 轉成小寫, 並且去除單詞中間的特殊符號
defwords
(text):
return re.findall('[a-z]+', text.lower()) 
deftrain
(features):
model = collections.defaultdict(lambda: 1)
for f in features:
model[f] += 1
return model
nwords = train(words(open('big.txt').read()))

要是遇到我們從來沒有過見過的新詞怎麼辦. 假如說乙個詞拼寫完全正確, 但是語料庫中沒有包含這個詞, 從而這個詞也永遠不會出現在訓練集中. 於是, 我們就要返回出現這個詞的概率是0. 這個情況不太妙, 因為概率為0這個代表了這個事件絕對不可能發生, 而在我們的概率模型中, 我們期望用乙個很小的概率來代表這種情況. lambda: 1

兩個詞之間的編輯距離定義為使用了幾次插入(在詞中插入乙個單字母), 刪除(刪除乙個單字母), 交換(交換相鄰兩個字母), 替換(把乙個字母換成另乙個)的操作從乙個詞變到另乙個詞.

#返回所有與單詞 w 編輯距離為 1 的集合
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

與 something 編輯距離為2的單詞居然達到了 114,324 個

優化:在這些編輯距離小於2的詞中間, 只把那些正確的詞作為候選詞,只能返回 3 個單詞: 『smoothing』, 『something』和『soothing』

#返回所有與單詞 w 編輯距離為 2 的集合
#在這些編輯距離小於2的詞中間, 只把那些正確的詞作為候選詞
defedits2
(word):
return set(e2 for e1 in edits1(word) for e2 in edits1(e1))

正常來說把乙個母音拼成另乙個的概率要大於子音 (因為人常常把 hello 打成 hallo 這樣); 把單詞的第乙個字母拼錯的概率會相對小, 等等.但是為了簡單起見, 選擇了乙個簡單的方法: 編輯距離為1的正確單詞比編輯距離為2的優先順序高, 而編輯距離為0的正確單詞優先順序比編輯距離為1的高.

def
known
(words):
return set(w for w in words if w in nwords)
#如果known(set)非空, candidate 就會選取這個集合, 而不繼續計算後面的
defcorrect
(word):
candidates = known([word]) or known(edits1(word)) or known_edits2(word) or [word]
return max(candidates, key=lambda w: nwords[w])

貝葉斯拼寫檢查器 python

貝葉斯拼寫檢查器

貝葉斯拼寫檢查器

貝葉斯拼寫檢查器

相關推薦