完成拼写搜检器(spellcheck)

本文同时发在我的github博客上，迎接star

在百度或许Google搜刮的时刻，有时会小手一抖，打错了一般字母，比方我们想搜刮apple，错打成了appel，但奇异的是，纵然我们敲下回车，搜刮引擎也会自动搜刮apple而不是appel，这是怎样完成的呢？本文就将重新完成一个Javascript版的拼写搜检器

基础理论

起首，我们要肯定怎样量化敲错单词的几率，我们将底本想打出的单词设为origin(O)，错打的单词设为error(E)

由贝恭弘=叶 恭弘斯定理我们可知：P(O|E)=P(O)*P(E|O)/P(E)

P(O|E)是我们须要的效果，也就是在打出毛病单词E的状况下，底本想打的单词是O的几率

P(O)我们能够看做是O涌现的几率，是先验几率，这个我们能够从大批的语料环境中猎取

P(E|O)是底本想打单词O却打成了E的几率，这个能够用最短编辑间隔模仿几率，比方底本想打的单词是apple，打成applee(最短编辑间隔为1)的几率比appleee(最短编辑间隔为2)天然要大

P(E)因为我们已知E，这个观点是牢固的，而我们须要对照的是P(O1|E)、P(O2|E)&＃8230;P(On|E)的几率，不须要准确的盘算值，我们能够不必管它

详细完成

这部份的完成我参考了natural的代码，传送门

起首是组织函数：

function SpellCheck(priorList) {
//to do trie
this.priorList = priorList;
this.priorHash = {};
priorList.forEach(item => {
!this.priorHash[item] && (this.priorHash[item] = 0);
this.priorHash[item]++;
});
}

priorList是语料库，在组织函数中我们对priorList中的单词进行了涌现次数的统计，这也就能够被我们看做是先验几率P(O)

接下来是check函数，用来检测这个单词是不是在语料库中涌现

SpellCheck.prototype.check = function(word) {
return this.priorList.indexOf(word) !== -1;
};

然后我们须要猎取单词指定编辑间隔内的一切可能性：

SpellCheck.prototype.getWordsByMaxDistance = function(wordList, maxDistance) {
if (maxDistance === 0) {
return wordList;
}
const listLength = wordList.length;
wordList[listLength] = [];
wordList[listLength - 1].forEach(item => {
wordList[listLength].push(...this.getWordsByOneDistance(item));
});
return this.getWordsByMaxDistance(wordList, maxDistance - 1);
};
SpellCheck.prototype.getWordsByOneDistance= function(word) {
const alphabet = "abcdefghijklmnopqrstuvwxyz";
let result = [];
for (let i = 0; i for (let j = 0; j //插进去
result.push(
word.slice(0, i) + alphabet[j] + word.slice(i, word.length)
);
//替代
if (i > 0) {
result.push(
word.slice(0, i - 1) +
alphabet[j] +
word.slice(i, word.length)
);
}
}
if (i > 0) {
//删除
result.push(word.slice(0, i - 1) + word.slice(i, word.length));
//前后替代
if (i result.push(
word.slice(0, i - 1) +
word[i] +
word[i - 1] +
word.slice(i + 1, word.length)
);
}
}
}
return result.filter((item, index) => {
return index === result.indexOf(item);
});
};

wordList是一个数组，它的第一项是只要原始单词的数组，第二项是寄存间隔原始单词编辑间隔为1的单词数组，以此类推，直到抵达了指定的最大编辑间隔maxDistance

以下四种状况被视为编辑间隔为1:

• 插进去一项，比方ab->abc
• 替代一项，比方ab->ac
• 删除一项，比方ab->a
• 前后替代，比方ab->ba

猎取了一切在指定编辑间隔的单词候全集，再比较它们的先验几率：

SpellCheck.prototype.getCorrectiOns= function(word, maxDistance = 1) {
const candidate = this.getWordsByMaxDistance([[word]], maxDistance);
let result = [];
candidate
.map(candidateList => {
return candidateList
.filter(item => this.check(item))
.map(item => {
return [item, this.priorHash[item]];
})
.sort((item1, item2) => item2[1] - item1[1])
.map(item => item[0]);
})
.forEach(item => {
result.push(...item);
});
return result.filter((item, index) => {
return index === result.indexOf(item);
});
};

末了获得的就是修正后的单词

我们来测试一下：

const spellCheck = new SpellCheck([
"apple",
"apples",
"pear",
"grape",
"banana"
]);
spellCheck.getCorrectionsByCalcDistance("appel", 1); //[ 'apple' ]
spellCheck.getCorrectionsByCalcDistance("appel", 2); //[ 'apple', 'apples' ]

能够看到，在第一次测试的时刻，我们指定了最大编辑间隔为1，输入了毛病的单词appel，末了返回修正项apple；而在第二次测试时，将最大编辑间隔设为2，则返回了两个修正项

语料库较少的状况

上面的完成要领是先猎取了单词一切指定编辑间隔内的候选项，而在语料库单词较少的状况下，这类要领比较消耗时候，我们能够改成先猎取语料库中相符指定最短编辑间隔的单词

盘算最短编辑间隔是一种比较典范的动态计划(leetcode:72)，dp即可。这里的盘算最短编辑间隔与leetcode的状况略有不同，须要多斟酌一层邻近字母摆布替代的状况

leetcode状况下的状况转换方程：

• dp[i][j]=0 i===0,j===0
• dp[i][j]=j i===0,j>0
• dp[i][j]=i j===0,i>0
• min(dp[i-1][j-1]+cost,dp[i-1][j]+1,dp[i][j-1]+1) i,j>0

个中当word1[i-1]===word2[j-1]时，cost为0，否则为1

斟酌邻近字母摆布替代的状况，则须要在i>1,j>1且word1[i - 2] === word2[j - 1]&&word1[i - 1] === word2[j - 2]为true的条件下，再作min(dp[i-1][j-1]+cost,dp[i-1][j]+1,dp[i][j-1]+1,dp[i-2][j-2]+1)

拿到语料库中相符指定最短编辑间隔的单词在对先验几率作比较，代码以下：

SpellCheck.prototype.getCorrectiOnsByCalcDistance= function(
word,
maxDistance = 1
) {
const candidate = [];
for (let key in this.priorHash) {
this.calcDistance(key, word) <= maxDistance && candidate.push(key);
}
return candidate
.map(item => {
return [item, this.priorHash[item]];
})
.sort((item1, item2) => item2[1] - item1[1])
.map(item => item[0]);
};
SpellCheck.prototype.calcDistance = function(word1, word2) {
const length1 = word1.length;
const length2 = word2.length;
let dp = [];
for (let i = 0; i <= length1; i++) {
dp[i] = [];
for (let j = 0; j <= length2; j++) {
if (i === 0) {
dp[i][j] = j;
continue;
}
if (j === 0) {
dp[i][j] = i;
continue;
}
const replaceCost =
dp[i - 1][j - 1] + (word1[i - 1] === word2[j - 1] ? 0 : 1);
let transposeCost = Infinity;
if (
i > 1 &&
j > 1 &&
word1[i - 2] === word2[j - 1] &&
word1[i - 1] === word2[j - 2]
) {
transposeCost = dp[i - 2][i - 2] + 1;
}
dp[i][j] = Math.min(
replaceCost,
transposeCost,
dp[i - 1][j] + 1,
dp[i][j - 1] + 1
);
}
}
return dp[length1][length2];
};

末了

这份代码另有许多能够优化的处所，比方check函数运用的是indexOf推断单词是不是在语料库中涌现，我们能够改用单词查找树(Trie)或许hash的体式格局加快查询