JamSpell
v0.0.12
JamSpell é uma biblioteca de verificação ortográfica com os seguintes recursos:
Exemplo de colaboração
jamspell.com - confira uma nova versão do jamspell com os seguintes recursos
en, ru, de, fr, it, es, tr, uk, pl, nl, pt, hi, noJava, C#, Ruby| Erros | 7 principais erros | Taxa fixa | 7 principais taxas fixas | Quebrado | Velocidade (palavras/segundo) | |
| JamSpell | 3,25% | 1,27% | 79,53% | 84,10% | 0,64% | 4854 |
| Norvig | 7,62% | 5,00% | 46,58% | 66,51% | 0,69% | 395 |
| Hunspell | 13,10% | 10,33% | 47,52% | 68,56% | 7,14% | 163 |
| Fictício | 13,14% | 13,14% | 0,00% | 0,00% | 0,00% | - |
O modelo foi treinado em 300 mil frases da Wikipedia + 300 mil frases de notícias (inglês). 95% foi usado para treinamento, 5% foi usado para avaliação. O modelo de erros foi usado para gerar texto com erro do original. O corretor JamSpell foi comparado com o de Norvig, Hunspell e um fictício (sem correções).
Usamos as seguintes métricas:
Para garantir que nosso modelo não seja muito ajustado para wikipedia+news, verificamos no texto "As Aventuras de Sherlock Holmes":
| Erros | 7 principais erros | Taxa fixa | 7 principais taxas fixas | Quebrado | Velocidade (palavras por segundo) | |
| JamSpell | 3,56% | 1,27% | 72,03% | 79,73% | 0,50% | 5524 |
| Norvig | 7,60% | 5,30% | 35,43% | 56,06% | 0,45% | 647 |
| Hunspell | 9,36% | 6,44% | 39,61% | 65,77% | 2,95% | 284 |
| Fictício | 11,16% | 11,16% | 0,00% | 0,00% | 0,00% | - |
Mais detalhes sobre reprodução disponíveis na seção "Treinar".
Instale swig3 (geralmente está no gerenciador de pacotes da sua distribuição)
Instale jamspell :
pip install jamspellBaixe ou treine o modelo de linguagem
Use-o:
import jamspell
corrector = jamspell . TSpellCorrector ()
corrector . LoadLangModel ( 'en.bin' )
corrector . FixFragment ( 'I am the begt spell cherken!' )
# u'I am the best spell checker!'
corrector . GetCandidates ([ 'i' , 'am' , 'the' , 'begt' , 'spell' , 'cherken' ], 3 )
# (u'best', u'beat', u'belt', u'bet', u'bent', ... )
corrector . GetCandidates ([ 'i' , 'am' , 'the' , 'begt' , 'spell' , 'cherken' ], 5 )
# (u'checker', u'chicken', u'checked', u'wherein', u'coherent', ...) Adicione diretórios jamspell e contrib ao seu projeto
Use-o:
# include < jamspell/spell_corrector.hpp >
int main ( int argc, const char ** argv) {
NJamSpell::TSpellCorrector corrector;
corrector. LoadLangModel ( " model.bin " );
corrector. FixFragment ( L" I am the begt spell cherken! " );
// "I am the best spell checker!"
corrector. GetCandidates ({ L" i " , L" am " , L" the " , L" begt " , L" spell " , L" cherken " }, 3 );
// "best", "beat", "belt", "bet", "bent", ... )
corrector. GetCandidates ({ L" i " , L" am " , L" the " , L" begt " , L" spell " , L" cherken " }, 3 );
// "checker", "chicken", "checked", "wherein", "coherent", ... )
return 0 ;
} Você pode gerar extensões para outros idiomas usando o tutorial swig. O arquivo de interface do gole é jamspell.i . Solicitações pull com scripts de construção são bem-vindas.
Instale cmake
Clone e construa jamspell (inclui servidor http):
git clone https://github.com/bakwc/JamSpell.git
cd JamSpell
mkdir build
cd build
cmake ..
make./web_server/web_server en.bin localhost 8080$ curl " http://localhost:8080/fix?text=I am the begt spell cherken "
I am the best spell checker$ curl -d " I am the begt spell cherken " http://localhost:8080/fix
I am the best spell checkercurl " http://localhost:8080/candidates?text=I am the begt spell cherken "
# or
curl -d " I am the begt spell cherken " http://localhost:8080/candidates {
"results" : [
{
"candidates" : [
"best" ,
"beat" ,
"belt" ,
"bet" ,
"bent" ,
"beet" ,
"beit"
] ,
"len" : 4 ,
"pos_from" : 9
} ,
{
"candidates" : [
"checker" ,
"chicken" ,
"checked" ,
"wherein" ,
"coherent" ,
"cheered" ,
"cherokee"
] ,
"len" : 7 ,
"pos_from" : 20
}
]
} Aqui pos_from - posição da primeira letra da palavra com erro ortográfico, len - palavra com erro ortográfico len
Para treinar o modelo personalizado, você precisa:
Instale cmake
Clone e construa o Jamspell:
git clone https://github.com/bakwc/JamSpell.git
cd JamSpell
mkdir build
cd build
cmake ..
make Prepare um arquivo de texto utf-8 com frases para treinar (por exemplo, sherlockholmes.txt ) e outro arquivo com o alfabeto do idioma (por exemplo, alphabet_en.txt )
Modelo de trem:
./main/jamspell train ../test_data/alphabet_en.txt ../test_data/sherlockholmes.txt model_sherlock.binevaluate/evaluate.py : python evaluate/evaluate.py -a alphabet_file.txt -jsp your_model.bin -mx 50000 your_test_data.txtevaluate/generate_dataset.py para gerar dados de treinamento/teste. Suporta arquivos txt, formato Leipzig Corpora Collection e livros fb2. Aqui estão alguns modelos simples. Eles treinaram em 300 mil notícias + 300 mil frases da Wikipedia. Recomendamos fortemente treinar seu próprio modelo, pelo menos em alguns milhões de frases para obter melhor qualidade. Consulte a seção Trem acima.
