多字拼写纠正

Question

纠正一个单词拼写错误(非单词和真实单词错误)很容易:

P(w|c) P(c)

w拼写错误的单词在哪里,并且c是我们尝试匹配的候选词,这样候选词是单词令牌.

但是在Google中,当你输入类似内容时spelligncheck,它会将单词更正为两个不同的单词.现在,P(w|c)这里很容易,如果我使用levenshtein距离.但这意味着我再也不能拥有一个单词(一个令牌,而是一个).所以这会以指数方式增加我字典的大小.

此外,当我进入app le谷歌纠正它apple...

那么,给定单令牌字典,进行多字拼写校正的最佳方法是什么？

Answer 1

我认为您正在寻找类似pspell模块的东西。

我准备了这个演示，向您展示如何几乎实现您想要的目标 - 显然还可以进一步改进：

<?php

class SpellChecker
{
    public function __construct($lang)
    {
        $this->pspell = pspell_new($lang);
    }

    public function check($word)
    {
        return pspell_check($this->pspell, $word);
    }

    public function closest_suggestion($word)
    {
        $suggestions = pspell_suggest($this->pspell, $word);
        $similar_sounding_words = array_filter($suggestions,
            function ($current_word) use ($word) {
                return (metaphone($current_word) == metaphone($word));
            });

        // No similar sounding words, just return the first suggestion...
        if (count($similar_sounding_words) == 0) {
            return $suggestions[0];
        }

        // Return the closest match against similar sounding words...
        return array_reduce($similar_sounding_words,
            function ($prev, $next) use ($word) {
                return (is_array($prev))
                    ? $next
                    : ((levenshtein($prev, $word) < levenshtein($next, $word))
                          ? $prev
                          : $next);
            });
    }
}

$spellchecker = new SpellChecker('en');

foreach (array('spelligncheck', 'app le') as $word) {
    if (!$spellchecker->check($word)) {
        print "Closest match for \"$word\": {$spellchecker->closest_suggestion($word)}\n";
    }
}

我在这里尝试过并得到以下结果：

Closest match for "spelligncheck": spellchecker
Closest match for "app le": apple

祝你好运！:)