-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathspellsuggestTarea5.py
173 lines (137 loc) · 7.07 KB
/
spellsuggestTarea5.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
# -*- coding: utf-8 -*-
import re
import tarea2
from trie import Trie
import numpy as np
from time import process_time
from collections import Counter
class SpellSuggester:
"""
Clase que implementa el método suggest para la búsqueda de términos.
"""
def __init__(self, vocab_file_path, tam_vocab):
"""Método constructor de la clase SpellSuggester
Construye una lista de términos únicos (vocabulario),
que además se utiliza para crear un trie.
Args:
vocab_file (str): ruta del fichero de texto para cargar el vocabulario.
tam_vocab (int): número de palabras que deseamos que tenga el vocabulario
"""
self.vocabulary = self.build_vocab(vocab_file_path, tam_vocab, tokenizer=re.compile("\W+"))
def build_vocab(self, vocab_file_path, tam_vocab, tokenizer):
"""Método para crear el vocabulario.
Se tokeniza por palabras el fichero de texto,
se eliminan palabras duplicadas y se devuelven las primeras
"tam_vocab" palabras por frecuencia de aparición ordenadas
lexicográficamente.
Args:
vocab_file (str): ruta del fichero de texto para cargar el vocabulario.
tam_vocab (int): número máximo de palabras que deseamos en el vocabulario
tokenizer (re.Pattern): expresión regular para la tokenización.
"""
with open(vocab_file_path, "r", encoding='utf-8') as fr:
#Usamos un counter en vez de un set para poder contar el número de apariciones por palabra
count = Counter(tokenizer.split(fr.read().lower()))
if '' in count:
del count[''] #Por si acaso
reversed_count = [(freq, word) for (word,freq) in count.items()]
sorted_reversed = sorted(reversed_count, reverse=True)
sorted_vocab = [word for (freq,word) in sorted_reversed]
return sorted(sorted_vocab[0:tam_vocab])
def cota(self, x, y):
"""
Metodo que devuelve un threshold en base a la comparacion de vectores de ocurrencias.
Args
x (str): primer termino a comparar
y (str): segundo termino a comparar
"""
# Crear vectores de ocurrencias
letters = list(set(x).union(set(y)))
vx = [x.count(l) for l in letters]
vy = [y.count(l) for l in letters]
v_dif = [x - y for x, y in zip(vx, vy)]
return max(sum(np.array([x for x in v_dif if x > 0 ])), sum(np.array([-x for x in v_dif if x < 0])))
def suggest(self, term, distance="levenshtein", threshold=None):
"""Método para sugerir palabras similares siguiendo la tarea 3.
A completar.
Args:
term (str): término de búsqueda.
distance (str): algoritmo de búsqueda a utilizar
{"levenshtein", "restricted", "intermediate"}.
threshold (int): threshold para limitar la búsqueda
puede utilizarse con los algoritmos de distancia mejorada de la tarea 2
o filtrando la salida de las distancias de la tarea 2
"""
assert distance in ["levenshtein", "restricted", "intermediate"]
results = {} # diccionario termino:distancia
if threshold==None: threshold = float("inf")
for term_voc in self.vocabulary:
if abs(len(term) - len(term_voc)) > threshold: # Si la diferencia de tamaño es mayor al treshold, el termino no se tiene en cuenta
dist = threshold + 8
if distance == 'levenshtein':
dist = tarea2.dp_levenshtein_threshold(term, term_voc, threshold)
elif distance == 'restricted':
dist = tarea2.dp_restricted_damerau_threshold(term, term_voc, threshold)
else:
dist = tarea2.dp_intermediate_damerau_threshold(term, term_voc, threshold)
if dist <= threshold:
results[term_voc] = dist
return results
class TrieSpellSuggester(SpellSuggester):
"""
Clase que implementa el método suggest para la búsqueda de términos y añade el trie
"""
def __init__(self, vocab_file_path,tam_vocab):
super().__init__(vocab_file_path,tam_vocab)
self.trie = Trie(self.vocabulary)
def suggest(self, term, distance="levenshtein", th=None):
if th == None: th = float("inf")
results = {}
states = self.trie.get_num_states()
tam_x = len(term)
current = np.zeros(states)
pre = np.zeros(states)
#Recorremos todos los nodos del trie y asignamos un coste a cada prefijo
for i in range(1, states):
current[i]= current[self.trie.get_parent(i)] + 1
#Vamos recorriendo las letras de la palabra x
for i in range(1, tam_x + 1):
pre[0] = i
#Para cada letra cogemos la operación de coste mínimo
for j in range(1,states) :
pre[j] = min(current[j] + 1,
pre[self.trie.get_parent(j)] + 1,
current[self.trie.get_parent(j)] if term[i-1] == self.trie.get_label(j) else current[self.trie.get_parent(j)] + 1
)
if min(pre) > th: return {} #Si supera el threshold salimos
current, pre = pre, current
#Recorremos todos los estados, si son finales y menores que el threshold añadimos a result
for i in range(states):
if self.trie.is_final(i):
if current[i] <= th: results[self.trie.get_output(i)] = current[i]
return results
if __name__ == "__main__":
tams_vocab = [1000,5000,10000,25000] #En total tiene 22942 palabras distintas el vocabulario de quijote.txt
thresholds = [1,2,5,20]
terminos = ["alábese","diferencias","conquistar","ancho","senor"]
for size in tams_vocab:
spellsuggester = SpellSuggester("./corpora/quijote.txt", size)
for palabra in terminos:
for threshold in thresholds:
for distance in ['levenshtein','restricted','intermediate']:
tstart = process_time()
spellsuggester.suggest(palabra,distance=distance,threshold=threshold)
tend = process_time() - tstart
print('TIME: ' + str(tend) + ' usando ' + distance + ', tamaño: ' + str(size) + ' Threshold: ' + str(threshold) + ' Palabra:' + palabra)
distance = "levenshtein"
for size in tams_vocab:
spellsuggester = TrieSpellSuggester("./corpora/quijote.txt",size)
for palabra in terminos:
for threshold in thresholds:
tstart = process_time()
spellsuggester.suggest(palabra,distance,threshold)
tend = process_time() - tstart
print('TIME: ' + str(tend) + ' usando Trie, tamaño: ' + str(size) + ' Threshold: ' + str(threshold) + ' Palabra:' + palabra)
#spellsuggester = TrieSpellSuggester("./corpora/quijote.txt")
#print(spellsuggester.suggest("alábese"))
# cuidado, la salida es enorme print(suggester.trie)