引入

大家在使用谷歌或者百度搜索時(shí)，輸入搜索內(nèi)容時(shí)，谷歌總是能提供非常好的拼寫檢查，比如你輸入speling，谷歌會(huì)馬上返回spelling。

下面是用21行python代碼實(shí)現(xiàn)的一個(gè)簡易但是具備完整功能的拼寫檢查器。

代碼

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函數(shù)是程序的入口，傳進(jìn)去錯(cuò)誤拼寫的單詞會(huì)返回正確。如：

>>> correct("cpoy")

'copy'

>>> correct("engilsh")

'english'

>>> correct("sruprise")

'surprise'

除了這段代碼外，作為機(jī)器學(xué)習(xí)的一部分，肯定還應(yīng)該有大量的樣本數(shù)據(jù)，準(zhǔn)備了big.txt作為我們的樣本數(shù)據(jù)。

背后原理

上面的代碼是基于貝葉斯來實(shí)現(xiàn)的，事實(shí)上谷歌百度實(shí)現(xiàn)的拼寫檢查也是通過貝葉斯實(shí)現(xiàn)，不過肯定比這個(gè)復(fù)雜多了。

首先簡單介紹一下背后的原理，如果讀者之前了解過了，可以跳過這段。

給一個(gè)詞，我們?cè)噲D選取一個(gè)最可能的正確的的拼寫建議（建議也可能就是輸入的單詞）。有時(shí)也不清楚（比如lates應(yīng)該被更正為late或者latest？），我們用概率決定把哪一個(gè)作為建議。我們從跟原始詞w相關(guān)的所有可能的正確拼寫中找到可能性最大的那個(gè)拼寫建議c：

argmaxc P(c|w)

通過貝葉斯定理，上式可以轉(zhuǎn)化為

argmaxc P(w|c) P(c) / P(w)

下面介紹一下上式中的含義：

P(c|w)代表在輸入單詞w 的情況下，你本來想輸入 單詞c的概率。

P(w|c)代表用戶想輸入單詞c卻輸入w的概率，這個(gè)可以我們認(rèn)為給定的。

P(c)代表在樣本數(shù)據(jù)中單詞c出現(xiàn)的概率

P(w)代表在樣本數(shù)字中單詞w出現(xiàn)的概率可以確定P(w)對(duì)于所有可能的單詞c概率都是一樣的，所以上式可以轉(zhuǎn)換為

argmaxc P(w|c) P(c)

我們所有的代碼都是基于這個(gè)公式來的，下面分析具體代碼實(shí)現(xiàn)

代碼分析

利用words()函數(shù)提取big.txt中的單詞

def words(text): return re.findall('[a-z]+', text.lower())

re.findall(‘[a-z]+’是利用python正則表達(dá)式模塊，提取所有的符合’[a-z]+’條件的，也就是由字母組成的單詞。（這里不詳細(xì)介紹正則表達(dá)式了，有興趣的同學(xué)可以看正則表達(dá)式簡介。text.lower()是將文本轉(zhuǎn)化為小寫字母，也就是“the”和“The”一樣定義為同一個(gè)單詞。

利用train()函數(shù)計(jì)算每個(gè)單詞出現(xiàn)的次數(shù)然后訓(xùn)練出一個(gè)合適的模型

def train(features):

model = collections.defaultdict(lambda: 1)

for f in features:

model[f] += 1

return model

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

這樣NWORDS[w]代表了單詞w在樣本中出現(xiàn)的次數(shù)。如果有一個(gè)單詞并沒有出現(xiàn)在我們的樣本中該怎么辦？處理方法是將他們的次數(shù)默認(rèn)設(shè)為1，這里通過collections模塊和lambda表達(dá)式實(shí)現(xiàn)。

collections.defaultdict()創(chuàng)建了一個(gè)默認(rèn)的字典，lambda：1將這個(gè)字典中的每個(gè)值都默認(rèn)設(shè)為1。（lambda表達(dá)式可以看lambda簡介）

現(xiàn)在我們處理完了公式argmaxc P(w|c) P(c)中的P(c)，接下來處理P(w|c)即想輸入單詞c卻錯(cuò)誤地輸入單詞w的概率，通過 “edit distance“－－將一個(gè)單詞變?yōu)榱硪粋€(gè)單詞所需要的編輯次數(shù)來衡量，一次edit可能是一次刪除，一個(gè)交換（兩個(gè)相鄰的字母），一次插入，一次修改。下面的函數(shù)返回一個(gè)將c進(jìn)行一次編輯所有可能得到的單詞w的集合：

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)

相關(guān)論文顯示，80-95%的拼寫錯(cuò)誤跟想要拼寫的單詞都只有1個(gè)編輯距離，如果覺得一次編輯不夠，那我們?cè)賮硪淮?/p>

def known_edits2(word):

return set(e2 for e1 in edits1(word) for e2 in edits1(e1) if e2 in NWORDS)

同時(shí)還可能有編輯距離為0次的即本身就拼寫正確的：

def known(words):

return set(w for w in words if w in NWORDS)

我們假設(shè)編輯距離1次的概率遠(yuǎn)大于2次的，0次的遠(yuǎn)大于1次的。下面通過correct函數(shù)先選擇編輯距離最小的單詞，其對(duì)應(yīng)的P(w|c)就會(huì)越大，作為候選單詞，再選擇P(c)最大的那個(gè)單詞作為拼寫建議

def correct(word):

candidates = known([word]) or known(edits1(word)) or known_edits2(word) or [word]

return max(candidates, key=NWORDS.get)