lighttransport/japanese-scoring-model

日本語品質スコアリングモデル

現在は KenLM モデルのみ提供されています.

KenLM model

• kenlm_model-wiki-nfkc-char.bin Wikipedia データセットに対して, NFKC 正規化を行い, 文字単位で train したもの.

• kenlm_model-wiki-nfkc-wakachi.bin Wikipedia データセットに対して, NFKC 正規化を行い, Fugashi で分かち書きして train したもの. 9 GB ほどあります.

利用例

文字単位の場合. 必要に応じて unicodedata.normalize などで入力文章を NFKC 正規化ください.

import kenlm
import os

MODEL_BIN='kenlm_model-wiki-nfkc-char.bin'

if __name__ == '__main__':
    if not os.path.exists(MODEL_BIN):
        raise Exception("model file not found: {}".format(MODEL_BIN))
    model = kenlm.LanguageModel(MODEL_BIN)

    for txt in [
        "脱字が存在する文章です。",
        "脱字が存在する文章す。",
        '東京はッ晴れ。',
        '東京は元気です。',
        '吾輩は猫である。 名前はまだない。',
        '吾輩は猫である。 名前はまだな。',
        '東京は晴れ',
        '東京は晴れ。'
    ]:
        sentence = " ".join(txt.strip())
        prob = model.score(sentence, bos=True, eos=True)
        perplexity = model.perplexity(sentence)
        print(perplexity, prob, txt)

43.35517516360913 -21.281532287597656 脱字が存在する文章です。
97.87160125641132 -23.887880325317383 脱字が存在する文章す。
436.3376833313477 -21.118581771850586 東京はッ晴れ。
28.211570751481222 -13.053845405578613 東京は元気です。
10.25990652099858 -17.189437866210938 吾輩は猫である。 名前はまだない。
18.742658903324944 -20.365299224853516 吾輩は猫である。 名前はまだな。
1707.9430028946922 -19.394840240478516 東京は晴れ
62.91522904283418 -12.591290473937988 東京は晴れ。

分かち書きする場合. 分かち書き処理には, SudachiPy など利用でもよいでしょう. 必要に応じて unicodedata.normalize などで入力文章を NFKC 正規化ください.

import kenlm
import os
from fugashi import Tagger

MODEL_BIN='kenlm_model-wiki-nfkc-wakachi.bin'

tagger = Tagger('-Owakati')

if __name__ == '__main__':
    if not os.path.exists(MODEL_BIN):
        raise Exception("model file not found: {}".format(MODEL_BIN))
    model = kenlm.LanguageModel(MODEL_BIN)

    # 句点ごとの文に対してスコア計算が理想である
    for txt in [
        "脱字が存在する文章です。",
        "脱字が存在する文章す。",
        '東京はッ晴れ。',
        '東京は元気です。',
        '吾輩は猫である。 名前はまだない。',
        '吾輩は猫である。 名前はまだな。',
        '東京は晴れ',
        '東京は晴れ。'
    ]:
        sentence = tagger.parse(txt.strip())
        prob = model.score(sentence, bos=True, eos=True)
        perplexity = model.perplexity(sentence)
        print(perplexity, prob, txt)

799.5157517342569 -23.22261619567871 脱字が存在する文章です。
1427.360337285063 -25.236268997192383 脱字が存在する文章す。
3103.9820393600435 -20.951515197753906 東京はッ晴れ。
186.32902872137998 -13.621683120727539 東京は元気です。
25.350235809904472 -16.8477840423584 吾輩は猫である。 名前はまだない。
113.43313945517427 -24.656879425048828 吾輩は猫である。 名前はまだな。
17985.3170652363 -17.019672393798828 東京は晴れ
354.6946680891273 -12.749273300170898 東京は晴れ。

License

odc-by