贝叶斯公式与拼写检查器

年底工作不是很忙，今天复习了下概率论中贝叶斯的基础知识，动手写了个Java版本的简单的拼写检查器。

我们在使用Google时，当我们输入一个错误的单词，经常可以看到Google提示我们是不是要查找什么什么。

它是怎样做到的呢？现在我们就来实现一个简单的拼写检查器。

1. 什么是贝叶斯公式？

来看来自维基百科的定义：

贝叶斯定理

贝叶斯定理由英国数学家贝叶斯 ( Thomas Bayes 1702-1761 ) 发展，用来描述两个条件概率之间的关系，比如 P(A|B) 和 P(B|A)。按照定理 6 的乘法法则，P(A∩B)=P(A)·P(B|A)=P(B)·P(A|B)，可以立刻导出贝叶斯定理：

如上公式也可变形为 

另一个例子，现分别有 A，B 两个容器，在容器 A 里分别有 7 个红球和 3 个白球，在容器 B 里有 1 个红球和 9 个白球，现已知从这两个容器里任意抽出了一个球，且是红球，问这个红球是来自容器 A 的概率是多少?

假设已经抽出红球为事件 B，从容器 A 里抽出球为事件 A，则有：P(B) = 8 / 20，P(A) = 1 / 2，P(B | A) = 7 / 10，按照公式，则有：

在上面的例子中，

事件A：要猜测事件的概率（从容器A里抽出球 - 要猜测和计算的事件）

事件B：现实已发生事件的概率（抽出红球 - 已经抽出红球，已经发生的事件）

正因贝叶斯公式可用于事件发生概率的推测，因此它广泛应用于计算机领域。从垃圾邮件的过滤，中文分词，机器翻译等等。下面的拼写检查器可以说是牛刀小试了。

2. 拼写检查器

第一步，以一个比较大的文本文件big.txt作为样本，分析每个单词出现的概率作为语言模型(Language Model)和词典。

big.txt的地址是：http://norvig.com/big.txt

第二步，如果用户输入的单词不在词典中，则产生编辑距离(Edit Distance)为2的所有可能单词。所谓编辑距离为1就是对用户输入的单词进行删除1个字符、添加1个字符、交换相邻字符、替换1个字符产生的所有单词。而编辑距离为2就是对这些单词再进行一次上述所有变换，因此最后产生的单词集会很大。可以与词典作差集，只保留词典中存在的单词。

第三步，假设事件c是我们猜测用户可能想要输入的单词，而事件w是用户实际输入的错误单词，根据贝叶斯公式可知：

     P(c|w) = P(w|c) * P(c) / P(w)。

这里的P(w)对于每个单词都是一样的，可以忽略。而P(w|c)是误差模型(Error Model)，是用户想要输入w却输入c的概率，这是需要大量样本数据和事实依据来得到的，为了简单起见也忽略掉。因此，我们可以找出编辑距离为2的单词集中P(c)概率最大的几个来提示用户。

3. Java代码实现

package  com.cdai.studio.spellcheck;

import  java.io.BufferedReader;

import  java.io.FileReader;

import  java.io.IOException;

import  java.io.InputStreamReader;

import  java.util.Collections;

import  java.util.Comparator;

import  java.util.HashMap;

import  java.util.HashSet;

import  java.util.LinkedList;

import  java.util.List;

import  java.util.Map;

import  java.util.Map.Entry;

import  java.util.Set;

import  java.util.regex.Pattern;

public  class  SpellCheck {

        private  static  final  char []  ALPHABET  =  "abcdefghijklmnopqrstuvwxyz" .toCharArray();

       

        public  static  void  main(String[] args)  throws  Exception {

               new  SpellCheck().start();

       }

       

        public  void  start()  throws  IOException {

               // 1.Build language model

              Map<String, Double> langModel = buildLanguageModel( "big.txt" );

              Set<String> dictionary = langModel.keySet();

              

               // 2.Read user input loop

              BufferedReader reader =  new  BufferedReader( new  InputStreamReader(System. in ));

              String input;

               while  ((input = reader.readLine()) !=  null ) {

                     input = input.trim().toLowerCase();

                      if  ( "bye" .equals(input))

                            break ;

                      if  (dictionary.contains(input))

                            continue ;

                      long  startTime = System.currentTimeMillis();

                     

                      // 3.Build set for word in edit distance and remove inexistent in dictionary

                     Set<String> wordsInEditDistance2 = buildEditDistance2Set(langModel, input);

                     wordsInEditDistance2.retainAll(dictionary);

                     

                      // 4.Calculate Bayes's probability

                      // c - correct word we guess, w - wrong word user input in reality

                      // argmax P(c|w) = argmax P(w|c) * P(c) / P(w)

                      // we ignore P(w) here, because it's the same for all words

                     List<String> guessWords = guessCorrectWord(langModel, wordsInEditDistance2);

                     System. out .printf( "Do you mean %s ? Cost time: %.3f second(s)\n" ,

                                  guessWords.toString(), (System.currentTimeMillis() - startTime) / 1000D);

              }

              

       }

       

        private  Map<String, Double> buildLanguageModel(String sample)

                      throws  IOException {

              Map<String, Double> langModel =  new  HashMap<String, Double>();

              BufferedReader reader =  new  BufferedReader( new  FileReader(sample));

              Pattern pattern = Pattern.compile( "[a-zA-Z]+" );

              String line;

               int  totalCnt = 0;

               while  ((line = reader.readLine()) !=  null ) {

                     String[] words = line.split( " " );

                      for  (String word : words) {

                            if  (pattern.matcher(word).matches()) {

                                  word = word.toLowerCase();

                                  Double wordCnt = langModel.get(word);

                                   if  (wordCnt ==  null )

                                         langModel.put(word, 1D);

                                   else

                                         langModel.put(word, wordCnt + 1D);

                                  totalCnt++;

                           }

                     }

              }

              reader.close();

              

               for  (Entry<String, Double> entry : langModel.entrySet())

                     entry.setValue(entry.getValue() / totalCnt);

              

               return  langModel;

       }

       

        private  Set<String> buildEditDistance1Set(

                     Map<String, Double> langModel,

                     String input) {

              Set<String> wordsInEditDistance =  new  HashSet<String>();

               char [] characters = input.toCharArray();

              

               // Deletion: delete letter[i]

               for  ( int  i = 0; i < input.length(); i++)

                     wordsInEditDistance.add(input.substring(0,i) + input.substring(i+1));

              

               // Transposition: swap letter[i] and letter[i+1]

               for  ( int  i = 0; i < input.length()-1; i++)

                     wordsInEditDistance.add(input.substring(0,i) + characters[i+1] +

                                  characters[i] + input.substring(i+2));

              

               // Alteration: change letter[i] to a-z

               for  ( int  i = 0; i < input.length(); i++)

                      for  ( char  c :  ALPHABET )

                           wordsInEditDistance.add(input.substring(0,i) + c + input.substring(i+1));

              

               // Insertion: insert new letter a-z

               for  ( int  i = 0; i < input.length()+1; i++)

                      for  ( char  c :  ALPHABET )

                           wordsInEditDistance.add(input.substring(0,i) + c + input.substring(i));

              

               return  wordsInEditDistance;

       }

       

        private  Set<String> buildEditDistance2Set(

                     Map<String, Double> langModel,

                     String input) {

              Set<String> wordsInEditDistance1 = buildEditDistance1Set(langModel, input);

              Set<String> wordsInEditDistance2 =  new  HashSet<String>();

               for  (String editDistance1 : wordsInEditDistance1)

                     wordsInEditDistance2.addAll(buildEditDistance1Set(langModel, editDistance1));

              wordsInEditDistance2.addAll(wordsInEditDistance1);

               return  wordsInEditDistance2;

       }

       

        private  List<String> guessCorrectWord(

                      final  Map<String, Double> langModel,

                     Set<String> wordsInEditDistance) {

              List<String> words =  new  LinkedList<String>(wordsInEditDistance);

              Collections.sort(words,  new  Comparator<String>() {

                      @Override

                      public  int  compare(String word1, String word2) {

                            return  langModel.get(word2).compareTo(langModel.get(word1));

                     }

              });

               return  words.size() > 5 ? words.subList(0, 5) : words;

       }

       

}

运行结果：

raechel

Do you mean [reached, reaches, ranches, rachel] ? Cost time: 0.219 second(s)

thew

Do you mean [the, that, he, her, they] ? Cost time: 0.062 second(s)

虽然不是很准确，但是不是很有趣呢？如果感兴趣，我们可以继续深入学习。

有了兴趣和求知欲，并不断实践，才能学好编程。

2011.12.28更新：

产生编辑距离为2的单词时，应该让编辑距离为1的单词具有更高的优先级。并且当用户输入的单词长度较长时，产生编辑距离为2的单词可能会花费一些时间。所以可以优化为首先产生编辑距离为1的单词，如果与词典做差集后为空，再产生编辑距离为2的单词。将main方法中的第三步代码修改为：

                    // 3.Build set for word in edit distance and remove inexistent in dictionary

                     Set<String> wordsInEditDistance = buildEditDistance1Set(langModel, input);

                     wordsInEditDistance.retainAll(dictionary);

                      if  (wordsInEditDistance.isEmpty()) {

                           wordsInEditDistance = buildEditDistance2Set(langModel, input);

                           wordsInEditDistance.retainAll(dictionary);

                            if  (wordsInEditDistance.isEmpty()) {

                                  System. out .println( "Failed to check this spell" );

                                   continue ;

                           }

                     }

参考文章

平凡又神奇的贝叶斯 http://mindhacks.cn/2008/09/21/the-magical-bayesian-method/

怎样写一个拼写检查器  http://blog.youxu.info/spell-correct.html