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

//argmaxP(c|w) =argmaxP(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