белканова
-
Upload
nlpseminar -
Category
Education
-
view
831 -
download
2
description
Transcript of белканова
© Dictum Ltd. 2012
Белканова Анна
Даниил Скатов
ООО «Диктум»
Борьба с опечатками в диком
Интернете и не только.
© Dictum Ltd. 2012 2
Опечатки
Лишний символ: «будующее – будущее»
Пропуск символа: «грусно – грустно»
Транспозиция: «груснто - грустно»
Замена: «кинтакт – контакт»: клавиатурные: «анеудот – анекдот»
орфографические: «девченка – девчонка»
наличие латиницы: «xpoмocoм – хромосом»
Раскладка: «jlyjrkfccybrb – одноклассники»
Транслитерация: «kartinki – картинки»
Перепутывание рук: «инвнжае – телефон»
© Dictum Ltd. 2012 3
Алгоритм Левенштейна
Веса ошибокАлгоритм
Левенштейна
Получение
подсказок
веса исправления
Построение n-шара
подсказок
многоместные исправления;
взвешенный: выделяем типы
ошибок, устанавливаем свой
уникальный вес;
поддержка префиксного поиска.
боитьсябоится
бояться
биться доиться
бриться
© Dictum Ltd. 2012 4
Префиксное дерево
На рисунке демонстрируется проход по словарю в
виде префиксного дерева при исправлении слова
«куупе».
к
е
е
а
ттн
с
и
л
п
у
о
р
вход
выходпревышено
пороговое
значение
первый вариант:
«купе»
операции для общего
префикса просчитываются
один раз
а
в
т
о
© Dictum Ltd. 2012 5
Сравнение модулей
Word2003 Word2010 Dictum
Всего подсказок 4030 7318 3864
Кол-во правильных подсказок 1442 1708 1719
Правильная подсказка на 1 месте 1145 1414 1576
Правильная подсказка на 2 месте 172 189 116
Правильная подсказка на 3 месте 64 49 17
Выборка: ~2000 слов
© Dictum Ltd. 2012 6
Русский подсказочник
Запрос:
натали портмэн
Исправление запроса: натали натали, наталия, наталии, natalie, natali
портмэн портмен, портман, portman
Сбор подсказок: натали портман
натали портман фото
natalie portman
натали портмен
natali portman
© Dictum Ltd. 2012 7
Фильтрация выдачи(1)
Сортировка по частоте запроса
Запрос: "трейлеры"
трейлер F:3098
трейлеры к фильмам F:2893
трейлеры к фильмам 2010 года F:2647
триллеры 2009 F:2329
трейлеры F:2140
триллеры F:1663
триллеры смотреть онлайн F:1321
триллеры онлайн F:1047
триллеры фильмы F:934
триллеры смотреть онлайн бесплатно F:784
Сортировка по похожести
Запрос: "однакласники ru" однакласники ru L:0
однокласники ru L:0.035
аднакласники ru L:0.035
однокласники ru моя страница L:0.035
однаклассники ru L:0.038961
однаклассники ru моя страница L:0.038961
однакластники ru L:0.0642857
аднаклосники ru L:0.07
днакласники ru L:0.0714286
одноклассники ru L:0.073961
© Dictum Ltd. 2012 8
Фильтрация выдачи(2)
L dict == 0 L query == 0
Запрос: "трейлеры"
трейлеры к фильмам
трейлеры к фильмам 2010 года
трейлеры
трейлеры к новым фильмам
трейлеры к фильмам 2010 года смотреть онлайн
трейлеры к играм
трейлеры к фильму затмение
трейлеры 2010
трейлеры фильмов
трейлеры онлайн
L dict > 0, ∃L query == 0, F dict > F(query)
Запрос: "однакласcники" одноклассники
одноклассники моя страница
одноклассники ru
одноклассники ру
одноклассники вход
одноклассники регистрация
одноклассники ru моя страница
одноклассники ua
одноклассники км
одноклассники авторизация
Фильтруем с помощью словарных слов с частотами
© Dictum Ltd. 2012 9
Возможно, вы имели в виду
HMM, forward-backward, сглаживание и т.д
Частотные словари:
слова из запросов;
биграммы слов из запросов.
«весеняя оптека» «весенняя аптека»
Частота запроса «весенняя аптека» = 0
© Dictum Ltd. 2012 10
Вьетнамский подсказочник
Латинизированный
ввод – поднятие
диакритики
Диакритический ввод –
исправление
частотных ошибок
© Dictum Ltd. 2012 11
Способы ввода (IME)
• Telex: диакритика проставляется буквой
oo → ô, ow → ơ
• VIQR: диакритика проставляется знаком
a^ → â, a~ → ã
• VNI: диакритика проставляется цифрой
a6 → â, a4 → ã
Не обязательно второй символ идет сразу же после
основного:
huyeenf → huyền
72truong → trường
© Dictum Ltd. 2012 12
Исправление ошибок, связанных с IME
Telex: micro → mỉco, asus → áu, exe → ễ
английские слова искажения
mỉco → micro
Формирование словаря:
Исправление ошибок:
словарь
© Dictum Ltd. 2012 13
Возможно, вы имели в виду(2)
Запрос: «hãi hung»
Возможно, вы имели в виду: «hãi hùng»
Лог:
ám ảnh 17 năm những sang chấn hãi hùng 75871
fulro bóng ma hãi hùng trên đất tây nguyên 67720
fulro bóng ma hãi hùng trên đất tây nguyên kỳ 1 54518
buổi chia tay hãi hùng của nhóm học sinh 12 2761
tiệc chia tay hãi hùng của nhóm học sinh lớp 12 2666
buổi chia tay hãi hùng 2
Разбиение запроса
n = 5 fulro bóng ma hãi hùng trên đất tây nguyên
© Dictum Ltd. 2012
Фильтрация шума
Пример. «báo ân»
Подсказки из базы запросов:
báo ân cha mẹ 0
báo an ninh 0.025
báo an ninh thế giới 0.025
báo an ninh thủ đô 0.025
báo an giang 0.025
báo an ninh hải phòng 0.025
báo an ninh nhân dân 0.025
báo an ninh the gioi 0.025
báo an ninh thu đô 0.025
Из словаря получаем ближайшее исправление “báo ân 0”.
© Dictum Ltd. 2012 15
Синтаксис + опечатки
Синтаксис выбирает одно ГЗ для токена:
токен
…
…
…
ГЗ для исходного написания
ГЗ для первого варианта исправления
ГЗ для второго варианта исправления
…
© Dictum Ltd. 2012 16
Синтаксис + опечатки (2)
Пример. Мне нравиться телфон
нравится телефон
тефлон
Мне нравится телефон
Мне нравится тефлон
Мне нравится телфон
…Содержит штраф за несловарное слово
Минимальное проективное дерево
© Dictum Ltd. 2012 17
Спасибо за внимание!
Анна Белканова
Проект «Spell», ведущий разработчик
Даниил Скатов
Руководитель разработок
ООО «Диктум», г.Нижний Новгород
www.dictum.ru