NLP实验二

这个实验的环境安装还是有点离谱的，python版本必须是3.8的特定版本且还有一系列离谱的包环境配置，很让人抓狂啊，那接下来我们将通过图文流来解决这个实验！！

实验目标

实现通过调用微软语料库进行语料库训练来实现对句子语法"的 地 得"的语法判别

环境配置

过程太复杂了，我这里直接给打包好的环境：实验环境包

点击实验环境包的链接下载安装即可，但是这里有个细节要注意一哈，检查你已经安装好的python版本，如果有python版本是python3.8的那请你先去控制面板吧python3.8给卸载了，因为环境包里面自带了python3.8，如果你本身已经加了python3.8会撞掉的，如果原先电脑上没有python3.8那么请忽略！

实验配置

首先我们点击pycharm的设置按钮：

点击设置之后，我们找到我们当前项目下的python解释器按钮，然后我们点击添加本地解释器

点开本地解释器之后我们点击系统解释器，我们要把刚刚下好的环境包的python3.8环境导入解释器。

然后我们点击上图画圈的三个小点点之后，点击之后我们去找到刚刚下载好的环境包的python3.8的位置，默认位置在：C:\Python38\python.exe， 你要是嫌麻烦直接复制我这个路径即可。然后我们点击确定即可。

最后我们切换会python解释器页面看看是不是如上图所示已经变成了在C:\Python38\python.exe路径下的python3.8解释器，是的话我们就进入下一步，不是的话你自求多福，或者你联系我们站长---被杀戮的咸鱼。

接下来我们将:数据路径文件和目标解析文件 下载之后放在和下面实验代码并列的位置,如下图的文件排列即可

实验代码

以上环境配置配置完成后我们在实验代码文件N_gram语法纠错.py(这个文件随便你定，只要是个py文件就好了)中输入:

import re
import numpy as np
from pyhanlp import *
import time

# 设置数据路径和模型保存路径
corpus_file = "msr_training.utf8"
model_destination = "msr_correction_model"

# 加载语料库，为每个未标注的词设置默认标签 "x"
SentenceList = SafeJClass('com.hankcs.hanlp.corpus.document.CorpusLoader').convert2SentenceList(corpus_file)
for sentence in SentenceList:
    for token in sentence:
        if token.label is None:
            token.setLabel("x")

# 开始训练模型
start_time = time.time()
NatureDictionaryMaker = SafeJClass('com.hankcs.hanlp.corpus.dictionary.NatureDictionaryMaker')()
NatureDictionaryMaker.compute(SentenceList)
NatureDictionaryMaker.saveTxtTo(model_destination)
end_time = time.time()
print("2-gram training completed in {:.2f} seconds".format(end_time - start_time))

# 更新HanLP配置
HanLP.Config.CoreDictionaryPath = model_destination + ".txt"
HanLP.Config.BiGramDictionaryPath = model_destination + ".ngram.txt"

# 懒加载核心字典和二元词表字典
CoreDict = LazyLoadingJClass('com.hankcs.hanlp.dictionary.CoreDictionary')
BiGramDict = LazyLoadingJClass('com.hankcs.hanlp.dictionary.CoreBiGramTableDictionary')

# 定义计算权重的函数
def compute_weight(previous, candidate, next_word):
    with open(model_destination + ".txt", 'r', encoding='utf-8') as file:
        total_lines = len(file.readlines())

    if CoreDict.getTermFrequency(candidate) > 0:
        weight = (BiGramDict.getBiFrequency(previous, candidate) *
                  BiGramDict.getBiFrequency(candidate, next_word)) / (
                             CoreDict.getTermFrequency(candidate) * total_lines)
    else:
        weight = 0
    return weight

# 测试候选词
candidates = ['的', '地', '得']
with open('的地得词组练习.txt', 'r', encoding='utf-8') as file:
    content = file.readlines()

# 逐行处理
for item in content:
    if item:
        prev, correct, next_part = re.split('【|】', item.strip())  # Split and remove spaces
        weights = [compute_weight(prev, word, next_part) for word in candidates]
        prediction = candidates[np.argmax(weights)]

        print(f"{'正确' if prediction == correct else '错误'}：{prediction} {item.strip()}")

最后我们执行这个实验代码文件即可！！！