上一篇文章中,我们从零开始实现了一个简单的N-gram模型,完成了训练、预测的过程。今天我们来介绍一个工具KenLM,它是用C++写的,速度快,对内存友好。它是一个可以用来训练N-gram语言模型的工具。所以本文使用它再来走一遍训练N-gram模型并做完形填空的流程。
KenLM的网站:https://kheafield.com/code/kenlm
环境搭建过程中需要用到的软件或文件我已整理好,后台回复ngram
获取。
Linux环境准备
由于训练模型只能在Linux系统上操作,所以首先需要有一个Linux环境。
如果实在没有Linux环境,也可以在Windows下安装Cygwin软件,模拟Linux环境:
从官网http://www.cygwin.com/下载Cygwin的安装软件,双击下载安装。安装过程很简单,保持默认选项,一直“下一步”即可。有几点可能需要修改的:
- 选安装目录时可以用默认的也可以重新选择,我选的是E:/cygwin64这个路径。
- 选择下载站点(Choose A Download Site)时,为了下载快,可以在User URL处添加(Add)镜像http://mirrors.163.com/cygwin/或http://mirrors.aliyun.com/cygwin/
- 选择需要下载安装的组件包(Select Packages),如下图所示:
选择Base,点击右边的倒三角,将其选为Install
,就表示我们要安装Base
下面的所有组件,当然你也可以展开Base
,只选择部分组件安装。我这里为了省事,就选了整个。同样的方法,选择Base,Devel,Libs,Net,System,Utils几个模块。其中Devel包括了我们开发需要用到的组件。
选好之后,一直点击下一步,就会进入安装状态,等待它安装完成即可。
安装完成之后,可以选择创建桌面快捷方式。如果你像我一样忘了创建快捷方式的话,可以通过在安装目录下双击Cygwin.bat
打开Cygwin。
安装目录下其实就是模拟了Linux环境,所以打开Cygwin的效果和你打开Linux系统的终端是一样的。相当于在Windows里内嵌了一个简易的Linux系统,是不是超棒!
更详细的安装步骤可以查看参考资料[1]。
安装kenlm
打开终端,进入home,创建一个目录,用来存放kenlm环境(也可以直接放在当前