pycorrector
中文文本纠错工具。音似、形似错字(或变体字)纠正,可用于中文拼音、笔画输入法的错误纠正。python3.6开发。
pycorrector依据语言模型检测错别字位置,通过拼音音似特征、笔画五笔编辑距离特征及语言模型困惑度特征纠正错别字。
Question
· 中文文本纠错任务,常见错误类型包括:
· 谐音字词,如 配副眼睛-配副眼镜
· 混淆音字词,如 流浪织女-牛郎织女
· 字词顺序颠倒,如 伍迪艾伦-艾伦伍迪
· 字词补全,如 爱有天意-假如爱有天意
· 形似字错误,如 高梁-高粱
· 中文拼音全拼,如 xingfu-幸福
· 中文拼音缩写,如 sz-深圳
· 语法错误,如 想象难以-难以想象
当然,针对不同业务场景,这些问题并不一定全部存在,比如输入法中需要处理前四种,搜索引擎需要处理所有类型,语音识别后文本纠错只需要处理前两种,
其中’形似字错误’主要针对五笔或者笔画手写输入等。
Install
· 全自动安装:pip install pycorrector
· 半自动安装:
git clone https://github.com/shibing624/pycorrector.git cd pycorrector python setup.py install |
通过以上两种方法的任何一种完成安装都可以。如果不想安装,可以下载github源码包,安装下面依赖再使用。
安装依赖
kenlm安装
pip install https://github.com/kpu/kenlm/archive/master.zip |
其他库包安装
pip install -r requirements.txt |
Usage
· 文本纠错
import pycorrector corrected_sent, detail = pycorrector.correct('少先队员因该为老人让坐') print(corrected_sent, detail) |
output:
少先队员应该为老人让座 [[('因该', '应该', 4, 6)], [('坐', '座', 10, 11)]]
规则方法默认会从路径~/.pycorrector/datasets/zh_giga.no_cna_cmn.prune01244.klm加载kenlm语言模型文件,如果检测没有该文件,则程序会自动联网下载。当然也可以手动下载模型文件(2.8G)并放置于该位置。
· 错误检测
import pycorrector idx_errors = pycorrector.detect('少先队员因该为老人让坐') print(idx_errors) |
output:
[['因该', 4, 6, 'word'], ['坐', 10, 11, 'char']] |
返回类型是list, [error_word, begin_pos, end_pos, error_type],pos索引位置以0开始。
· 关闭字粒度纠错
import pycorrector error_sentence_1 = '我的喉咙发炎了要买点阿莫细林吃' correct_sent = pycorrector.correct(error_sentence_1) print(correct_sent) |
output:
'我的喉咙发炎了要买点阿莫西林吉', [['细林', '西林', 12, 14], ['吃', '吉', 14, 15]]
上例中吃发生误纠,如下代码关闭字粒度纠错:
import pycorrector error_sentence_1 = '我的喉咙发炎了要买点阿莫细林吃' pycorrector.enable_char_error(enable=False) correct_sent = pycorrector.correct(error_sentence_1) print(correct_sent) |
output:
'我的喉咙发炎了要买点阿莫西林吃', [['细林', '西林', 12, 14]]
默认字粒度、词粒度的纠错都打开,一般情况下单字错误发生较少,而且字粒度纠错准确率较低。关闭字粒度纠错,这样可以提高纠错准确率,提高纠错速度。
默认enable_char_error方法的enable参数为True,即打开错字纠正,这种方式可以召回字粒度错误,但是整体准确率会低;
如果追求准确率而不追求召回率的话,建议将enable设为False,仅使用错词纠正。
· 加载自定义混淆集
通过加载自定义混淆集,支持用户纠正已知的错误,包括两方面功能:1)错误补召回;2)误杀加白。
import pycorrector pycorrector.set_log_level('INFO') error_sentences = [ '买iPhone差,要多少钱', '共同实际控制人萧华、霍荣铨、张旗康', ] for line in error_sentences: print(pycorrector.correct(line)) print('*' * 53) pycorrector.set_custom_confusion_dict(path='./my_custom_confusion.txt') for line in error_sentences: print(pycorrector.correct(line)) |
output:
('买iPhone差,要多少钱', []) # "iPhone差"漏召,应该是"iphoneX" ('共同实际控制人萧华、霍荣铨、张启康', [['张旗康', '张启康', 14, 17]]) # "张启康"误杀,应该不用纠 ***************************************************** ('买iPhoneX,要多少钱', [['iPhone差', 'iPhoneX', 1, 8]]) ('共同实际控制人萧华、霍荣铨、张旗康', []) |
具体demo见example/use_custom_confusion.py,其中./my_custom_confusion.txt的内容格式如下,以空格间隔:
iPhone差 iPhoneX 100 张旗康 张旗康 |
set_custom_confusion_dict方法的path参数为用户自定义混淆集文件路径。
· 加载自定义语言模型
默认提供下载并使用的kenlm语言模型zh_giga.no_cna_cmn.prune01244.klm文件是2.8G,内存较小的电脑使用pycorrector程序可能会吃力些。
支持用户加载自己训练的kenlm语言模型,或使用2014版人民日报数据训练的模型,模型小(20M),准确率低些。
from pycorrector import Corrector pwd_path = os.path.abspath(os.path.dirname(__file__)) lm_path = os.path.join(pwd_path, './people_chars_lm.klm') model = Corrector(language_model_path=lm_path) corrected_sent, detail = model.correct('少先队员因该为老人让坐') print(corrected_sent, detail) |
output:
少先队员应该为老人让座 [[('因该', '应该', 4, 6)], [('坐', '座', 10, 11)]] |
具体demo见example/load_custom_language_model.py,其中./people_chars_lm.klm是自定义语言模型文件。
本文内容不用于商业目的,如涉及知识产权问题,请权利人联系博为峰小编(021-64471599-8017),我们将立即处理。