NLP（四十八）使用kenlm进行文本纠错

女爷i 2022-08-31 12:28 291阅读 0赞

本文将会介绍如何使用kenlm工具进行文本纠错。  
  kenlm是用C++编写的语言模型工具，可以方便、快速地计算n-gram。kenlm工具的首页网址为：[https://kheafield.com/code/kenlm/][https_kheafield.com_code_kenlm]，该工具的Github网址为：[https://github.com/kpu/kenlm][https_github.com_kpu_kenlm]。  
  关于kenlm的安装，本文不再详细介绍，网上有很多这方面的介绍。安装完kenlm工具包后，其文件夹目录结构如下：

BUILDING
    CMakeLists.txt
    COPYING
    COPYING.3
    COPYING.LESSER.3
    Doxyfile
    GIT_REVISION
    LICENSE
    MANIFEST.in
    README.md
    build
    clean_query_only.sh
    cmake
    compile_query_only.sh
    include
    lm
    python
    setup.py
    util

### 模型训练 ###

我们训练的语料为`people2014_words.txt`，来自百度网盘，访问网址为[https://pan.baidu.com/s/1971a5XLQsIpL0zL0zxuK2A\#list/path=%2F][https_pan.baidu.com_s_1971a5XLQsIpL0zL0zxuK2A_list_path_2F]。我们需要将原来已经分词好的文件（`people2014_words.txt`）改成单个字的文件（`people2014_chars.txt`），即每个字用空格隔开，python代码如下：

# -*- coding: utf-8 -*-
    with open("people2014_words.txt", "r", encoding="utf-8") as f:
        content = [_.strip() for _ in f.readlines()]
    
    with open("people2014_chars.txt", "w", encoding="utf-8") as g:
        for line in content:
            g.write(" ".join(list("".join(line.split())))+"\n")

改写后的文件前两行如下：

> 1 . 手 指 长 度  
> 一 项 2 0 0 8 年 在 期 刊 上 发 表 的 调 查 发 现 食 指 比 无 名 指 短 的 女 性 可 能 有 比 其 他 女 性 高 两 倍 的 可 能 性 患 上 在 膝 盖 处 的 关 节 炎 。 研 究 人 员 还 宣 称 ， 有 这 些 明 显 男 性 特 征 的 女 性 更 加 容 易 雌 激 素 激 素 分 泌 水 平 低 ， 这 可 能 会 对 关 节 炎 的 产 生 有 极 大 的 影 响 。 预 防 措 施 ： 加 强 锻 炼 膝 盖 周 围 的 肌 肉 。 在 你 坐 着 的 时 候 ， 把 两 腿 伸 直 并 平 行 于 地 面 ， 做 十 次 每 次 坚 持 5 — 1 0 秒 。

我们将该文件放在build/result目录下。  
  切换至build文件夹所在目录，模型运行的运行命令如下：

./bin/lmplz -o 3 --verbose_header --text ./result/people2014_chars.txt --arpa ./result/people2014corpus_chars.arps -S 4G

运行参数解释：

*  \-o表示n-gram中n的数量，一般取3足够了，也可以取5；
 *  \-verbose\_header:在生成的文件头位置加上统计信息；
 *  –text表示输入的文本文件；–arpa表示输出的模型参数文件；
 *  \-S表示使用系统内存大小，`注意：需要设置合适的内存大小，不然可能会运行失败`

运行过程如下：

=== 1/5 Counting and sorting n-grams ===
    Reading ~/work/kenlm/build/result/people2014_chars.txt
    ----5---10---15---20---25---30---35---40---45---50---55---60---65---70---75---80---85---90---95--100
    ****************************************************************************************************
    Unigram tokens 36092956 types 6914
    === 2/5 Calculating and sorting adjusted counts ===
    Chain sizes: 1:82968 2:1493872896 3:2801011712
    Statistics:
    1 6914 D1=0.53084 D2=1.03394 D3+=1.4564
    2 1159283 D1=0.625083 D2=1.08043 D3+=1.49998
    3 6643214 D1=0.589546 D2=1.13123 D3+=1.52492
    Memory estimate for binary LM:
    type     MB
    probing 140 assuming -p 1.5
    probing 147 assuming -r models -p 1.5
    trie     48 without quantization
    trie     23 assuming -q 8 -b 8 quantization 
    trie     46 assuming -a 22 array pointer compression
    trie     22 assuming -a 22 -q 8 -b 8 array pointer compression and quantization
    === 3/5 Calculating and sorting initial probabilities ===
    Chain sizes: 1:82968 2:18548528 3:132864280
    ----5---10---15---20---25---30---35---40---45---50---55---60---65---70---75---80---85---90---95--100
    ####################################################################################################
    === 4/5 Calculating and writing order-interpolated probabilities ===
    Chain sizes: 1:82968 2:18548528 3:132864280
    ----5---10---15---20---25---30---35---40---45---50---55---60---65---70---75---80---85---90---95--100
    ####################################################################################################
    === 5/5 Writing ARPA model ===
    ----5---10---15---20---25---30---35---40---45---50---55---60---65---70---75---80---85---90---95--100
    ****************************************************************************************************
    Name:lmplz      VmPeak:4358320 kB       VmRSS:24136 kB  RSSMax:1112940 kB       user:13.5094    sys:2.38785     CPU:15.8973     real:15.2563

emsp;运行完后会生成arps格式的模型文件，我们需要运行如下命令将模型文件进行压缩：

./bin/build_binary ./result/people2014corpus_chars.arps ./result/people2014corpus_chars.klm

运行完该命令后，就会生成klm格式的模型文件，模型文件体积大大减小，这也是我们所需要的的训练好后的模型文件。至此，我们已完成了使用kenlm训练n-gram模型。

### 文本纠错 ###

`pycorrector`模块支持使用自己训练好的kenlm模型进行纠错，参考网址：[https://github.com/shibing624/pycorrector][https_github.com_shibing624_pycorrector] 。  
  演示的Python代码如下：

from pycorrector import Corrector
    
    # 加载训练好的kenlm模型
    lm_path = "~/work/kenlm/build/result/people2014corpus_chars.klm"
    model = Corrector(language_model_path=lm_path)
    
    # 文本纠错
    corrected_sent, detail = model.correct('真麻烦你了。希望你们好好的跳无')
    print(corrected_sent)
    print(detail)

我们对pycorrector中给出的5个样例句子进行纠错，结果如下：

原句：真麻烦你了。希望你们好好的跳无
    纠错后：真麻烦你了。希望你们好好的跳舞
    纠错细节：[('无', '舞', 14, 15)]

原句：少先队员因该为老人让坐
    纠错后：少先队员应该为老人让坐
    纠错细节：[('因该', '应该', 4, 6)]

原句：机七学习是人工智能领遇最能体现智能的一个分知
    纠错后：机器学习是人工智能领域最能体现智能的一个分知
    纠错细节：[('机七', '机器', 0, 2), ('领遇', '领域', 9, 11)]

原句：一只小鱼船浮在平净的河面上
    纠错后：一只小鱼船夫在平静的河面上
    纠错细节：[('船浮', '船夫', 4, 6), ('平净', '平静', 7, 9)]

原句：我的家乡是有明的渔米之乡
    纠错后：我的家乡是有名的鱼米之乡
    纠错细节：[('有明', '有名', 5, 7), ('渔米', '鱼米', 8, 10)]

可以看到，训练好的kenlm模型对于常见的文本错误具有一定的纠错能力，但也有一些没有纠正过来。  
  因为使用的是n-gram模型，所以文本纠错的效果依赖于语料的质量及语料大小。

### 总结 ###

本文介绍了如何使用kenlm工具进行文本纠错。之所以写这篇文章，是因为网上人云亦云，很多文章都讲到使用kenlm训练n-gram模型时必须使用分词后的文件，但根据笔者自身的实践，发现分词后的文件并没有纠错能力，反而是单个字的文件进行训练有一定的纠错能力。希望大家不要迷信网上的所谓博客，还是要自己亲身实践下~  
  n-gram模型是文本纠错中的统计语言模型，属于较为简单的纠错方法，但有一定的使用价值，后续笔者将会为大家介绍更多的文本纠错相关内容，欢迎大家关注~  
  2021年7月26日于上海浦东，此日上海台风肆虐~

[https_kheafield.com_code_kenlm]: https://kheafield.com/code/kenlm/
[https_github.com_kpu_kenlm]: https://github.com/kpu/kenlm
[https_pan.baidu.com_s_1971a5XLQsIpL0zL0zxuK2A_list_path_2F]: https://pan.baidu.com/s/1971a5XLQsIpL0zL0zxuK2A#list/path=/
[https_github.com_shibing624_pycorrector]: https://github.com/shibing624/pycorrector