【自然语言处理入门】02：Kenlm语料库的制作与模型的训练

本文是《从自然语言处理到机器学习入门》系列课程的第二次作业，由于我的作业环境没有配好（配了n次了还是不行T_T），但是为了保证这一系列作业的完整性，于是经罗曜强律师同意，人工智能A7论坛授权，转载他的作业笔记。

1 基本要求

通过自己训练的语言模型编程，判断每句话中是否存在a an用错的问题(所谓用错 指a an用反了 比如 i have a apple是错误的； i have an apple 是正确的)

2 准备工作

（1）实验的环境Ubuntu16.04，Python 版本 2.7

（2）使用kenlm训练一个语言模型，首先要准备kenlm所需要的语料，按照http://kheafield.com/code/kenlm/官方文档上使用说明，训练的文件会被训练成.arpa的格式。

（3）训练模型：例如:我有名为test.txt的文件需要训练成kenlm指定的.arpa格式文件,训练后的文件为text.arpa，我需要在Ubuntu的Teminal终端使用如下命令进行训练：

bin/lmplz -o 5 <test.txt  > text.arpa

-o Required. Order of the language model to estimate
-o 5 代表使用5ngram

将arpa文件转换为binary文件，这样可以对arpa文件进行压缩，提高后续在python中加载的速度。

bin/build_binary -s text.arpa text.bin

3 具体实验

做好上述前置准备工作后，接着就是在Python下运行text.arpa
主要分为以下几个步骤：

#导入训练所需要的包
import kenlm
import nltk
from itertools import combinations, permutations

#将文件导入kenlm语言模型
model = kenlm.LanuageModel(text.bin)

#判断a或者an在互换前的得分和互换后的得分，如果互换前的得分高于互换后的得分，则说明a或an没有错误，如果互换后的得分高于互换前的得分则说明a或者an语法错误
def judge_a_or_an(sentence):
#创建一个空list，用于存放sentence
s = [] 
#将句子进行分词
"""
Model.score函数输出的是对数概率，bos=False, eos=False意思是不自动添加句首和句末标记符
"""
pre_score = model.score(‘ ’.join(sentence), bos = True,  eos = True)
#通过循环的方式替换a或an然后进行评分对比
for word in sentence:
#如果word里面有a，则把a换成an
If word == ‘a’:
s.append(‘an’)
#如果word里面有an，则把an换成a
elif word == ‘an’:
s.append(‘a’)
#如果word里面没有a或者an，按照原句输出
else:
s.append(word)
after_score = model.score(‘ ’.join(s), bos = True, eos = True)

#对话置换前，置换后的得分，如果置换前得分高于置换后，则返回0，否则返回1
if pre_score > after_score
return 0
else:
return 1

#打开文件
inputs = open(‘text.arpa’, ’r’)
outputs = open(‘text_after.txt’, ‘r’)
for line in inputs:
data = nltk.tokenize.word_tokenize(line)
#调用judge_a_or_an函数
label = judge_a_or_an(data)
#格式化输出0或1
print(line + ‘\t%d’ %(label))
#关闭IO流
outputs.close()
inputs.close()

4 常见错误

（1）ModuleNotFoundError: No module named ‘kenlm’
Kenlm安装错误，导致无法正常调用kenlm、
（2）打开文件后未关闭IO流致使文件无法正常输出
（3）其他语法错误