NLP（四十八）使用kenlm进行文本纠错

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/，该工具的Github网址为：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。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 。
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~