输入法纠错系统的原理理解

问题背景：

随着 移动互联网的繁荣发展，人们在手机上可以处理各种事务。由于在屏幕上显示的键盘尺寸较小，我们在输入文字的时候经常点按错误，输入一些不存在的单词或者拼音。例如 : 用户原本要在键盘上输入拼音“ pan duan ( 判断 ) ”，然而由于‘ s ’与‘ a ’在键盘上位置接近，误输入“ pan dusn ”。而一款智能的输入法能判断用户误输入，并给出修正建议 。

用python实现一个英文输入法纠错系统：

代码截图：

分步理解：

1、

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('test.txt').read()))

此部分主要是在自己的单词库中训练一个概率模型，即统计一下每个单词出现的次数。

2、

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

当给定了一个单词A，输入法需要枚举所有可能正确的拼写，即和自己输入的单词A相似的单词。此部分函数是列举出所有与输入单词 A 编辑举例为1的单词。 两个单词之间的编辑距离为1，即通过一次 增添字母、删除字母、交换字母、替换字母可以从一个单词变到另一个单词。

3、

def known_edits2(word):
    return set(e2 for e1 in edits1(word) for e2 in edits1(e1) if e2 in NWORDS)

此部分即计算和单词A编辑距离为2的可能正确的单词。

此代码只考虑和原单词编辑距离为1和2，因为只是一个简单的示例，不需要花费太多的时间成本。

4、

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=lambda w: NWORDS[w])

此处为一个判断函数，即输入一个单词A，函数会将A与库中的单词、与A编辑举例为1的单词、与A编辑距离为2的单词都枚举出来输出一个概率最大的单词。 当然，存在一个设定好的优先级，如果库中存在一个和A完全相同的单词，便输出，否则输出编辑距离为1的，再输出编辑举例为2的。

另外还需要创建一个单词库，单词库中的单词数目越多，得到的结果自然越准确，为了方便观察结果，故选取了这几个单词

运行结果：

可以看出编辑距离为012都可以返回正确的单词，而我们输入lates的时候，和两个单词latest 、late的编辑距离都是1，而late出现的概率要更大，所以返回结果late。