-
Notifications
You must be signed in to change notification settings - Fork 0
/
SpellingCorrector.R
223 lines (168 loc) · 7.27 KB
/
SpellingCorrector.R
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
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
###################################
#### Manoel Galdino 19/07.2014 ####
### Spelling Corrector ###########
### Naive Bayes ##################
###################################
#######################################################
## Baseado em: http://norvig.com/spell-correct.html ##
#######################################################
install.packages("arm")
################
# Naive Bayes ##
################
# No problema de Spelling corrector, queremos sugerir uma palavra dado o que o usuário escreveu.
# Modelando esse problema, nós queremos sugerir uma palavra w_i, dado que a pessoa escreveu w_k
# Como nós nunca temos certeza qual a palavras que o usuário quis dizer
# (ex.: se digita post, quis dizer posto ou poste?) a abordagem probabilística é adequada
#
# Basicamente, queremos saber qual a probabilidade de a palavra desejada ser w_i, dado que
# o usuário escreveu w_k. Matematicamente, Prob(w_i|w_k). E queremos computar essa probabilidade
# para cada palavra k que pode ser digitada e cada palavra i que pode ser a desejada.
# Pelo Teorema de Bayes, sabemos que Prob(w_i|w_k) = Prob(w_i) * Prob(w_k|w_i)/ Prob(w_k)
# Prob(w_i) é chamada de probabilidade a priori de w_i, ou seja, qual a probabilidade
# de, independente do usuário ter digitado algo, essa ser a palavra desejada.
# Podemos interpretá-la como a frequência relativa do uso dessa palavra pelos usuários
# E vamos aproximá-la pela frequencia do uso das palavras em português
# PAra tanto iremos procurar dados de uso de palavras em pt na internet
# Eu escolhi as palavras utilizadas pelo opensubtitles
# e os livros em português disponiveis no projeto Gutemberg
# depois iremos computar a frequência de cada palavra nesses corpus (conjunto de documentos)
# E assim teremos Prob(w_i) para cada palavra do nosso corpus
## pegando wordlist do opensubtitle
#http://invokeit.wordpress.com/frequency-word-lists/
setwd("D:\\2014\\aulas\\IESP\\scripts\\textMining")
load(opensubtitles.RData)
# Falta ainda calcularmos Prob(w_k|w_i) e Prob(w_k)
# Com relação à Prob(w_k), iremos usar um truque para evitar a necessidade de computá-lo
# e conhecido na literatura como MAP (Maximo a posteriori)
# Para cada palavra digitada, w_k, nós iremos sugerir a w_i que tiver a maior probabilidade
# Isso significa que se nós computarmos a razão entre Prob(w_1|w_k) e Prob(w_2|w_k), p. ex.:
# Prob(w_1|w_k)/Prob(w_2|w_k) = Prob(w_1) * Prob(w_k|w_1) / Prob(w_1) * Prob(w_k|w_1)
# se a razão for maior que 1, então devemos sugerir w_1, caso contrário, w_2
# e podemos fazer isso para todas as palavras, de modo que não precisamos computar Prob(w_k)
# e para calcular Prob(w_k|w_i) teremos que fazer algumas suposições e modelagem
# essa será nossa verossimilhança
# Existe uma função que calcula a distancia entre duas palavras
# basicamente, quanto mais semelhantes duas palavras, menor a distancia
# e semelhança é medido por inserções, remoções e trocas de posiçao
# necessárias para transformar uma palavra igual a outra
# precisamos colocar essa distancia numa outra função
# iremos usar a invlogit
# ela tem um comportamento adequado
library(arm)
?adist
distancia <- adist( opensub$words,opensub$words[1])
head(distancia)
## Agora vou fazer minha verossimilhança
# vamos usar invlogit
invlogit
# é a função da logística!
likelihood <- invlogit(distancia)
summary(likelihood)
## tá muito concentrado perto do 1
## quero suavizar mais
## vou centrar meus dados
likelihood <- invlogit(distancia - mean(distancia))
summary(likelihood)
df <- data.frame(likelihood=likelihood, opensub)
head(df)
df$distancia <- distancia
df$words <- as.character(df$words)
# vamos ver o gráfico das minha verossimilhança?
## como tenho muitos data.points vou usar uma amostra
## comando sample
library(ggplot2)
set.seed(2)
df1 <- df[sample(1:nrow(df), 2000),]
p <- ggplot(df1, aes(y=likelihood, x = factor(1)))
p + geom_boxplot()
p <- ggplot(df1, aes(x=distancia, y=likelihood))
(p <- p + geom_line())
p + geom_point()
## fiz errado: qto menor distância, maior deveria ser likelihood
likelihood <- invlogit( mean(distancia) - distancia)
df$likelihood <- likelihood
summary(likelihood)
## os dados tão demorando pra cair, e depois cai rápido demais
## preciso ajustar
unique(likelihood)
#imprimiu em notação científica
options(scipen=20, digits=4) # imprime melhor
unique(likelihood)
## quero que de 0.9993670098510825106 para 0.9874378161925373432 caia mais rápido
## alguma sugestão?
distNormalizada <- (mean(distancia) - distancia)/sd(distancia) # padronizar
# e fazer transformação não-linear
distNormalizada1 <- (distNormalizada*40 -113)
sort(unique(distNormalizada1))
df$likelihood1 <- invlogit( distNormalizada1)
sort(unique(df$likelihood1))
## melhorou bastante
## Pronto, temos nossa verossimilhança
# Agora, só aplicar teorema de Bayes
df$priori <- df$freq/sum(df$freq)
sugestao <- function(palavra) {
#browser()
distancia <- adist( opensub$words,palavra)
distNormalizada <- (mean(distancia) - distancia)/sd(distancia)
distNormalizada1 <- (distNormalizada*40 -117)
likelihood <- invlogit( distNormalizada1)
posicao <- which.max(df$priori*likelihood)
df$words[posicao]
}
sugestao("porta")
sugestao("port")
sugestao("nao")
sugestao("paralizado")
sugestao("paralisado")
## Priori ruim, tenho que dar mais peso pra likelihood
## se dist for zero, likelihood = 1
## se dist for 1, likelihood = .05
## se dist for 2, likelihood = .00001
## se dist for 3 ou maior, likelihood = 0
## vai demorar muito tempo pra calcular a distancia para cada palavra
sugestao1 <- function(palavra) {
#browser()
distancia <- adist( opensub$words,palavra)
likelihood <- ifelse( distancia < 1, 1,
ifelse(distancia < 2, .05,
ifelse(distancia < 3, .0001, 0)))
posicao <- which.max(df$priori*likelihood)
df$words[posicao]
}
sugestao1("porta")
sugestao1("port")
sugestao1("nao")
sugestao1("paralizado")
sugestao1("paralisado")
## melhorou um pouco
## idealmente, deveria ter um training set e ajustar o melhor modelo
### speeding up R code
# http://lookingatdata.blogspot.se/2011/04/speeding-up-r-computations.html
# http://www.r-statistics.com/2012/04/speed-up-your-r-code-using-a-just-in-time-jit-compiler/
## Compilando
library(compiler)
library(microbenchmark)
## Compiler fornece um compilador para suas funções, ou seja, suas funções vão ser compiladas
##
myFunction <-function() { for(i in 1:10000) { 1*(1+1) } }
myCompiledFunction <- cmpfun(myFunction) # Compiled function
microbenchmark(
myFunction(),
myCompiledFunction()
)
## Pra não precisar compilar cada função em particular
## podemos usar enableJIT(3) no começo do nosso codigo
## isso irá compilar todas as funções criadas a partir daquele momento, naquela sessão
#require(compiler)
#enableJIT(3)
#Pra desabilitar a compilação, basta rodar enableJIT(0)
# as funções já compiladas continuarão compiladas
# mas as novas funções não serão compiladas.
# não é possivel descompilar, exceto criando de novo a função.
## too good to be true?
## Dúvida: como ficam as variáveis livres? E a questão do escopo
## e with, que supostamente não usa escopo léxico?
## Boas questões... Fiquem atentos
## Tem um custo pra compilar. Se for usar a função poucas vezes e ela for rápida, eja se compensa
## experimente...