机器学习入门-贝叶斯拼写纠错实例

问题

    如果我们看到用户输入一个不在字典中的词，我们需要推测他实际想要输入的词

使用贝叶斯公式表示：

                   p(实际想要输入词|用户输入) = p(实际想要输入词) * p(用户输入|实际想要输入词)  / p(用户输入)

p(实际输入词) 表示的是这个词在语料库中出现的词频

p（用户输入|实际想要输入） 实际想要输入的词被输成用户输入的概率，即实际输入词与用户输入的编辑距离

D表示用户实际输入的词，h表示用户实际想要输入的词

p(h|D) = p(D|h) * p(h) / p(D)

我们通过比较p(h1|D), p(h2|D)... 哪个概率最大，就是哪个h,即用户实际想要输入的词

由于p(D) 都是相同的，所以我们不进行考虑

p(h)表示一个先验概率，即词频里面这个词的词频或者tf-dif 表示的是词频/log(所有的文章/出现这个词的文章的次数+1)

代码：

第一步：对输入的语料数据进行分词操作

第二步： 使用collections，构建字典的词的词频

第三步： 对输入的单词，进行可能性的变形

第四步： 对输入的单词，进行可能性的二次变形

第五步： 构建known函数，判断当前词是否在词典中

第六步： 提取出在字典中，词频最大的词语（分阶段性的判断）

import re, collections

# 1. 将数据读入，根据空格, 进行分词操作
def text(words):
    # 使用正则化，如果遇到的不是字母，就断开
    return re.findall('[a-z]+', words.lower())

# 2.统计列表中每个词的词频
def collection(words):
    # 默认初始的词频次数为1 
    model = collections.defaultdict(lambda :1)
    for word in words:
        model[word] += 1

    return model
# 构造词频字典
Ncollection = collection(text(open('big.txt', encoding='utf-8').read()))
# 用于替换和增加
alpha = 'abcdefghijklmnopqrstuvwxyz'
#3. 对输入的词进行可能性变化输出，即编辑距离为1， 删除， 调换位置， 替换，增加
def edits1(word):
    n = len(word)
    return set([word[0:i] + word[i+1:] for i in range(n)] +
               [word[0:i] + word[i+1] + word[i] + word[i+2:] for i in range(n-1)] +
               [word[0:i] + c + word[i+1:] for i in range(n) for c in alpha] +
               [word[0:i] + c + word[i:] for i in range(n+1) for c in alpha])
# 4.在第一次变形的基础上进行第二次变化，即编辑距离为2 
def edits2(word):
    return [e2 for e1 in edits1(word) for e2 in edits1(e1)]

# 5.判断词是否在词袋里面，返回存在的列表
def known(words):
    return [word for word in words if word in Ncollection]

# 6. 根据结果判断词频最大的
def correct(word):
    # or的作用，如果满足条件即返回的不是空值就停止，否者继续向下执行
    known_words = known([word]) or known(edits1(word)) or known(edits2(word)) or [word]
    # 求出词典中词频最大的词，该词在known_words里面
    return max(known_words, key=lambda x:Ncollection[x])

print(correct('wort'))