中文文本纠错算法实现
赞
踩
向AI转型的程序员都关注了这个号????????????
机器学习AI算法工程 公众号：datayx
文本纠错又称为拼写错误或者拼写检查，由于纯文本往往来源于手打或者OCR识别，很可能存在一些错误，因此此技术也是一大关键的文本预处理过程，一般存在两大纠错类型。
1.拼写错误
第一种是Non-word拼写错误，表示此词汇本身在字典中不存在，比如把“要求”误写为“药求”，
2.少字多字
中文文本纠错比较难，不多说。上思路
方法有很多，本文讲解基于拼音
思路：
1首先：本地得有一个正确字词的数据库 。命名 数据库.txt
格式：第一列正确字词，第二列 词频 ，第三列 词性
本文只用词和词频。考虑词性太难啦。
2.得有一个文档txt,供编辑距离函数操作的。命名 编辑距离.txt
如下图
3.加载 数据库.txt 和 编辑距离.txt
4 输入一个错误单词（句子分词得到的单词，或者单独一个错误单词），计算编辑距离，生成编辑距离词集。
编辑距离需要比对 数据库.txt 的单词,计算距离
然后对错误单词进行删除字，增加字，修改字，替换字。增加删除替换哪些字呀，肯定得从 编辑距离.txt 文档里选取字插入或替换到错误单词里。最后生成编辑距离词集
5 生成的编辑距离词集 肯定含有一些错误单词，找出同时在编辑距离词集和数据库.txt 的单词 ，即为我们候选正确词集
6. 对候选正确词进行分级。首先 pinyin.get得到错误词的拼音
然后遍历 候选正确词集的单词，求取得拼音。
我们根据候选词的拼音对其重要性进行排序
如果候选词的拼音与错误词完全匹配，则将候选词放入一级数组
#如果候选词的第一个词的拼音与错误词的第一个词匹配，我们将其按二级数组。否则我们把候选短语放入三级数组.
7.找到正确单词
如果一级数组存在， 得到 的正确字词是在 数据库.txt 中的。考虑到得到的词可能有多个，前文提到数据库.txt 第一列是词，第二列是词频 。我们应该返回一级数组中 词在数据库.txt 中词频最大的那个单词
如果一级数组不存在，二级数组存在，，返回词频最大的那个单词
否则：返回三级数组词频最大的那个单词。
本文代码 获取：
关注微信公众号 datayx 然后回复 纠错 即可获取。
AI项目体验地址 https://loveai.tech
代码：
1导入包 和标点符号
2读取 数据库.txt
只读取第一列和第二列 ，最后生成字典。
#得到的是各单词词频,如：{‘老师上课’: ‘3’, ‘老师傅’: ‘62’, ‘老师宿儒’: ‘老师上课’: ‘3’, ‘老师傅’: ‘62’, }
3.读取编辑距离.txt
4. 计算错误单词与数据库.txt里的单词的编辑距离
5.找到候选正确词集 。即编辑距离生成的词同时又在数据库.txt里的词
6.计算拼音，得到一级数组，二级数组，三级数据。对候选正确词进行分级
7.找到正确单词
8.测试 对一个句子进行分词 ，然后每个单词 拿去寻找正确单词 ，最后将这些词拼接为正确句子
9.主函数
阅读过本文的人还看了以下文章：
基于40万表格数据集TableBank，用MaskRCNN做表格检测
《深度学习入门：基于Python的理论与实现》高清中文PDF+源码
2019最新《PyTorch自然语言处理》英、中文版PDF+源码
《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码
PyTorch深度学习快速实战入门《pytorch-handbook》
【下载】豆瓣评分8.1,《机器学习实战:基于Scikit-Learn和TensorFlow》
李沐大神开源《动手学深度学习》，加州伯克利深度学习（2019春）教材
【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目，让你掌握深度学习图像分类
如何利用全新的决策树集成级联结构gcForest做特征工程并打分？
Machine Learning Yearning 中文翻译稿
斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）
中科院Kaggle全球文本匹配竞赛华人第1名团队-深度学习与特征工程
不断更新资源
深度学习、机器学习、数据分析、python
搜索公众号添加： datayx
机大数据技术与机器学习工程
搜索公众号添加： datanlp
长按图片，识别二维码
