ngram language model

Modelo de idioma n-gramas

Implementação de Python de um modelo de linguagem n-gramas com suavização de Laplace e geração de frases.

Algumas funções NLTK são usadas ( nltk.ngrams , nltk.FreqDist ), mas quase tudo é implementado manualmente.

Nota: A classe LanguageModel espera receber dados que já são tokenizados por frases. Se estiver usando a função load_data incluída, os arquivos train.txt e test.txt já devem ser processados ​​de modo que:

1. A pontuação é removida
2. Cada frase está em sua própria linha

Consulte os data/ diretório para obter exemplos.

---

Exemplo de saída para um modelo de trigrama treinado em data/train.txt e testado contra data/test.txt :

 Loading 3-gram model...
Vocabulary size: 23505
Generating sentences...
...
<s> <s> the company said it has agreed to sell its shares in a statement </s> (0.03163)
<s> <s> he said the company also announced measures to boost its domestic economy and could be a long term debt </s> (0.01418)
<s> <s> this is a major trade bill that would be the first quarter of 1987 </s> (0.02182)
...
Model perplexity: 51.555

Os números entre parênteses ao lado das frases geradas são as probabilidades cumulativas dessas frases que ocorrem.

---

Informações de uso:

 usage: N-gram Language Model [-h] --data DATA --n N [--laplace LAPLACE] [--num NUM]

optional arguments:
  -h, --help         show this help message and exit
  --data DATA        Location of the data directory containing train.txt and test.txt
  --n N              Order of N-gram model to create (i.e. 1 for unigram, 2 for bigram, etc.)
  --laplace LAPLACE  Lambda parameter for Laplace smoothing (default is 0.01 -- use 1 for add-1 smoothing)
  --num NUM          Number of sentences to generate (default 10)

---

Originalmente de autoria de Josh Loehr e Robin Cosbey, com pequenas modificações. Última editada em 8 de fevereiro de 2018.