-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathhyperviterbi.py
162 lines (153 loc) · 6.82 KB
/
hyperviterbi.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
import numpy
import adiacenti
from freq_analizer import PriorGenerator
import Levenshtein
class Hyperviterbi:
def __init__(self, prior_generator, neighbors):
self.m_err = adiacenti.ModelloErrore()
self.m_err.calcola_adiacenze()
self.prior_generator = prior_generator
self.neighbors = neighbors
self.offline = False
def find_neighbors(self, word):
# word = self.prior_generator.remove_stop_symbols(word)
# word = word.strip()
# l_words = []
# l_dist = []
# max_dist = 5000 #TODO: mettere un valore sensato tipo max int
# worst_word_id = -1
# maxdeltal = 2
# for w in self.prior_generator.dictionary:
# deltal = abs(len(w) - len(word))
# if deltal >= maxdeltal:
# continue
# dist = Levenshtein.distance(word, w)
# if len(l_words) < self.neighbors:
# l_words.append(w)
# l_dist.append(dist)
# elif max_dist > dist:
# l_words[worst_word_id] = w
# l_dist[worst_word_id] = dist
# max_dist = max(l_dist)
# worst_word_id = l_dist.index(max_dist)
# return l_words
if self.offline:
tmp = self.prior_generator.bk_tree.bounded_search(word,0,self.neighbors)
if len(tmp) > 0:
return tmp
tmp = self.prior_generator.bk_tree.bounded_search(word,2,self.neighbors)
if tmp == []:
tmp.append(word)
return tmp
def distanza_malvagia(self, s1, s2):
"""
S1 è evidenza. Calcola probabilità di aver inteso
scrivere s2 dato che si è scritto s1, usando il modello
di errore.
"""
#inizializzo a zero matrice della edit distance
mat = numpy.zeros((len(s2) + 1, len(s1) + 1), dtype="float")
#il primo numero è la probabiltà di scrivere stringa vuota
#avendo inteso stringa vuota, ma in realtà viene sovrascritto
mat[0][0] = self.m_err.azzecca
#riempio prima riga: probabilità di aver inserito caratteri
#intendendo invece la stringa vuota: sarà bassa ma la mettiamo
#per coerenza
for i in range(len(s1)+1):
mat[0][i] = self.m_err.p_inserzione ** i
#riempio la prima colonna: probabiltà di intendere lettere
#avendo scritto niente: sarà bassa ma la mettiamo per coerenza
for j in range(len(s2)+1):
mat[j][0] = self.m_err.p_omissione ** j
#calcolo principale: in stile edit-distance ma si utilizza
#la probabilità
for j in range(1,len(s2)+1):
for i in range(1, len(s1)+1):
#se le lettere sono uguali: moltiplico per la
#probabilità di aver azzeccato anche questa
if s1[i-1] == s2[j-1]:
mat[j][i] = mat[j-1][i-1] * self.m_err.azzecca
else:
#altrimenti c'è un errore: tra i 3 diversi errori
#possibili (inserzione, omissione, sostituzione)
#scelgo quello più probabile secondo il modello
#di errore
inserz = mat[j-1][i] * self.m_err.p_inserzione
omiss = mat[j][i-1] * self.m_err.p_omissione
try:
prob_sost = self.m_err.probs[s2[j-1]][s1[i-1]]
except KeyError:
prob_sost = 0
sostit = mat[j-1][i-1] * prob_sost
mat[j][i] = max(inserz, omiss, sostit)
return mat[len(s2), len(s1)]
#This function split the phrase using the space character; can be enanched considering
#the possibility of multiple words without space or words splitted in two parts
def pre_viterbi(self, pharase, pre_analized):
ret = pre_analized
splitted = pharase.split()
for x in range(len(ret), len(splitted)):
ret.append(self.find_neighbors(splitted[x]))
return ret
def viterbi(self, phrase, pre_analized):
if phrase == "" or phrase == None:
return []
#frase minuscola
phrase = phrase.lower()
#estraggo parole più vicine del dizionario
data = self.pre_viterbi(phrase, pre_analized)
#divido frase in parole
splitted_phrase = phrase.split()
vit_struct = [] #conterrà la bella di viterbi
tmp_state = [] #conterrà la colonna corrente di viterbi
#la singola cella di viterbi contiene una probabilità
#e l'indice del predecessore
#calcolo la prima colonna
for j in range(len(data[0])):
tmp_dict = {}
tmp_dict["best_pred"] = 0
tmp_dict["prob"] = self.distanza_malvagia(splitted_phrase[0], data[0][j])
tmp_state.append(tmp_dict)
#aggiungo la prima colonna
vit_struct.append(tmp_state)
#ciclo sulle colonne da 1 in poi
for i in range(1, len(data)):
tmp_state = []
#ciclo sulle righe della colonna
for j in range(len(data[i])):
tmp_dict = {}
#inizializzo a 0 i campi della cella
tmp_dict["best_pred"] = 0
tmp_dict["prob"] = 0
#ciclo sulle celle della colonna
for k in range(len(data[i-1])):
#ciclo sulle celle della colonna precedente
#per trove il predecessore più probabile
prob = vit_struct[i - 1][k]["prob"] * \
self.prior_generator.get_word_successor(data[i-1][k], data[i][j]) * \
self.distanza_malvagia(splitted_phrase[i], data[i][j])
#se è maggiore della probabilità già salvata, la sostituiamo
#e impostiamo il predecessore
if tmp_dict["prob"] < prob:
tmp_dict["prob"] = prob
tmp_dict["best_pred"] = k
tmp_state.append(tmp_dict)
vit_struct.append(tmp_state)
#inizializzo l'output con stringhe vuote
ret = ["" for x in range(len(data))]
tmp_max = 0
max_pos = -1
#trovo stato finale più probabile
for x in range(0, len(vit_struct[-1])):
if tmp_max < vit_struct[-1][x]["prob"]:
max_pos = x
tmp_max = vit_struct[-1][x]["prob"]
#ricostruisco all'indietro
for x in range(len(data) - 1, -1, -1):
ret[x] = data[x][max_pos]
max_pos = vit_struct[x][max_pos]["best_pred"]
ordered_word_list = data[-1]
last_prob_list = [x["prob"] for x in vit_struct[-1]]
_, ordered_word_list = zip(*sorted(zip(last_prob_list, ordered_word_list), reverse=True))
data[-1] = ordered_word_list
return ret