File size: 11,952 Bytes
f978ccd
 
 
 
 
babcb18
 
 
 
 
f978ccd
 
 
babcb18
f978ccd
 
 
 
 
 
 
 
 
 
babcb18
f978ccd
 
 
 
 
 
 
babcb18
 
 
 
 
f978ccd
 
 
 
 
 
 
 
 
 
 
 
babcb18
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
f978ccd
babcb18
 
 
f978ccd
babcb18
 
f978ccd
babcb18
 
 
 
 
 
 
f978ccd
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
babcb18
f978ccd
babcb18
f978ccd
 
 
babcb18
 
 
 
f978ccd
 
babcb18
 
f978ccd
 
babcb18
 
f978ccd
babcb18
 
f978ccd
 
 
 
 
babcb18
 
 
 
 
f978ccd
 
babcb18
 
 
 
 
 
f978ccd
babcb18
 
f978ccd
babcb18
f978ccd
 
babcb18
f978ccd
 
 
 
babcb18
 
 
 
 
f978ccd
 
 
babcb18
 
 
 
 
 
f978ccd
babcb18
f978ccd
babcb18
 
 
 
 
 
 
f978ccd
babcb18
 
 
 
 
 
 
 
f978ccd
 
babcb18
f978ccd
babcb18
f978ccd
 
babcb18
f978ccd
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
import streamlit as st
import pandas as pd
import numpy as np
import os
from sacrebleu import corpus_bleu
if st.session_state.Cloud == 0:
    from sklearn.cluster import KMeans
    from sklearn.neighbors import KNeighborsClassifier
    from sklearn.ensemble import RandomForestClassifier
from translate_app import tr

title = "Traduction mot à mot"
sidebar_name = "Traduction mot à mot"
dataPath = st.session_state.DataPath

@st.cache_data
def load_corpus(path):
    input_file = os.path.join(path)
    with open(input_file, "r",  encoding="utf-8") as f:
        data = f.read()
        data = data.split('\n')
        data=data[:-1]
    return pd.DataFrame(data)

@st.cache_data
def load_BOW(path, l):
    input_file = os.path.join(path)
    df1 = pd.read_csv(input_file+'1_'+l, encoding="utf-8", index_col=0)
    df2 = pd.read_csv(input_file+'2_'+l, encoding="utf-8", index_col=0)
    df_count_word  = pd.concat([df1, df2]) 
    return df_count_word

df_data_en = load_corpus(dataPath+'/preprocess_txt_en')
df_data_fr = load_corpus(dataPath+'/preprocess_txt_fr')
df_count_word_en = load_BOW(dataPath+'/preprocess_df_count_word', 'en')
df_count_word_fr = load_BOW(dataPath+'/preprocess_df_count_word', 'fr')
n1 = 0

def accuracy(dict_ref,dict):
    correct_words = 0
    
    for t in dict.columns:
        if t in dict_ref.columns:
            if str(dict[t]) == str(dict_ref[t]): 
                correct_words +=1
        else: print("dict ref: manque:",t)
    print(correct_words," mots corrects / ",min(dict.shape[1],dict_ref.shape[1]))
    return correct_words/min(dict.shape[1],dict_ref.shape[1])

if st.session_state.reCalcule:
    nb_mots_en = 199 # len(corpus_en)
    nb_mots_fr = 330 # len(corpus_fr)

    # On modifie df_count_word en indiquant la présence d'un mot par 1 (au lieu du nombre d'occurences)
    df_count_word_en = df_count_word_en[df_count_word_en==0].fillna(1)
    df_count_word_fr = df_count_word_fr[df_count_word_fr==0].fillna(1)

    # On triche un peu parce que new et jersey sont toujours dans la même phrase et donc dans la même classe
    if ('new' in df_count_word_en.columns):
        df_count_word_en['new']=df_count_word_en['new']*2
        df_count_word_fr['new']=df_count_word_fr['new']*2

    def calc_kmeans(l_src,l_tgt):
        global df_count_word_src, df_count_word_tgt, nb_mots_src, nb_mots_tgt

        # Algorithme de K-means
        init_centroids = df_count_word_tgt.T
        kmeans = KMeans(n_clusters = nb_mots_tgt, n_init=1, max_iter=1, init=init_centroids, verbose=0)

        kmeans.fit(df_count_word_tgt.T)

        # Centroids and labels
        centroids= kmeans.cluster_centers_
        labels = kmeans.labels_

        # Création et affichage du dictionnaire
        df_dic = pd.DataFrame(data=df_count_word_tgt.columns[kmeans.predict(df_count_word_src.T)],index=df_count_word_src.T.index,columns=[l_tgt])
        df_dic.index.name= l_src
        df_dic = df_dic.T
        # print("Dictionnaire Anglais -> Français:")
        # translation_quality['Précision du dictionnaire'].loc['K-Means EN->FR'] =round(accuracy(dict_EN_FR_ref,dict_EN_FR)*100, 2)
        # print(f"Précision du dictionnaire = {translation_quality['Précision du dictionnaire'].loc['K-Means EN->FR']}%")
        # display(dict_EN_FR)
        return df_dic

    def calc_knn(l_src,l_tgt, metric):
        global df_count_word_src, df_count_word_tgt, nb_mots_src, nb_mots_tgt

        #Définition de la metrique (pour les 2 dictionnaires
        knn_metric = metric   # minkowski, cosine, chebyshev, manhattan, euclidean

        # Algorithme de KNN
        X_train = df_count_word_tgt.T
        y_train = range(nb_mots_tgt)

        # Création du classifieur et construction du modèle sur les données d'entraînement
        knn = KNeighborsClassifier(n_neighbors=1, metric=knn_metric)
        knn.fit(X_train, y_train)

        # Création et affichage du dictionnaire
        df_dic = pd.DataFrame(data=df_count_word_tgt.columns[knn.predict(df_count_word_src.T)],index=df_count_word_src.T.index,columns=[l_tgt])
        df_dic.index.name = l_src
        df_dic = df_dic.T

        # print("Dictionnaire Anglais -> Français:")
        # translation_quality['Précision du dictionnaire'].loc['KNN EN->FR'] =round(accuracy(dict_EN_FR_ref,knn_dict_EN_FR)*100, 2)
        # print(f"Précision du dictionnaire = {translation_quality['Précision du dictionnaire'].loc['KNN EN->FR']}%")
        # display(knn_dict_EN_FR)
        return df_dic

    def calc_rf(l_src,l_tgt):

        # Algorithme de Random Forest
        X_train = df_count_word_tgt.T
        y_train = range(nb_mots_tgt)

        # Création du classifieur et construction du modèle sur les données d'entraînement
        rf = RandomForestClassifier(n_jobs=-1, random_state=321)
        rf.fit(X_train, y_train)

        # Création et affichage du dictionnaire
        df_dic = pd.DataFrame(data=df_count_word_tgt.columns[rf.predict(df_count_word_src.T)],index=df_count_word_src.T.index,columns=[l_tgt])
        df_dic.index.name= l_src
        df_dic = df_dic.T

        # print("Dictionnaire Anglais -> Français:")
        # translation_quality['Précision du dictionnaire'].loc['RF EN->FR'] = round(accuracy(dict_EN_FR_ref,rf_dict_EN_FR)*100, 2)
        # print(f"Précision du dictionnaire = {translation_quality['Précision du dictionnaire'].loc['RF EN->FR']}%")
        # display(rf_dict_EN_FR)
        return df_dic

    def calcul_dic(Lang,Algo,Metrique):

        if Lang[:2]=='en': 
            l_src = 'Anglais'
            l_tgt = 'Francais'
        else:
            l_src = 'Francais'
            l_tgt = 'Anglais'

        if Algo=='Manuel':
            df_dic = pd.read_csv('../data/dict_ref_'+Lang+'.csv',header=0,index_col=0, encoding ="utf-8", sep=';',keep_default_na=False).T.sort_index(axis=1)
        elif Algo=='KMeans':
            df_dic = calc_kmeans(l_src,l_tgt)
        elif Algo=='KNN':
            df_dic = calc_knn(l_src,l_tgt, Metrique)
        elif Algo=='Random Forest':
            df_dic = calc_rf(l_src,l_tgt)
        else:
            df_dic = pd.read_csv('../data/dict_we_'+Lang,header=0,index_col=0, encoding ="utf-8", keep_default_na=False).T.sort_index(axis=1)

        return df_dic
else:
    def load_dic(Lang,Algo,Metrique):

        Algo = Algo.lower()
        if Algo=='random forest' : Algo = "rf"
        else:
            if Algo=='word embedding' : Algo = "we"
            else:
                if Algo!='knn': Metrique = ''
                else: Metrique = Metrique+'_'
        input_file = os.path.join(dataPath+'/dict_'+Algo+'_'+Metrique+Lang)
        return pd.read_csv(input_file, encoding="utf-8", index_col=0).T.sort_index(axis=1)


def display_translation(n1,dict, Lang):
    global df_data_src, df_data_tgt, placeholder

    s = df_data_src.iloc[n1:n1+5][0].tolist()
    s_trad = []
    s_trad_ref = df_data_tgt.iloc[n1:n1+5][0].tolist()
    source = Lang[:2]
    target = Lang[-2:]
    for i in range(5):
        # for col in s.split():
        #     st.write('col: '+col)
        #     st.write('dict[col]! '+dict[col])
        s_trad.append((' '.join(dict[col].iloc[0] for col in s[i].split())))
        st.write("**"+source+"   :**  :blue["+ s[i]+"]")
        st.write("**"+target+"   :**  "+s_trad[-1])
        st.write("**ref. :** "+s_trad_ref[i])
        st.write("")
    with placeholder:
        st.write("<p style='text-align:center;background-color:red; color:white')>"+"Score Bleu = "+str(int(round(corpus_bleu(s_trad,[s_trad_ref]).score,0)))+"%</p>", \
                 unsafe_allow_html=True)
                     
def display_dic(df_dic):
    st.dataframe(df_dic.T, height=600)

def save_dic(path, df_dic):
    output_file = os.path.join(path)
    df_dic.T.to_csv(output_file, encoding="utf-8")
    return

def run():
    global df_data_src, df_data_tgt, df_count_word_src, df_count_word_tgt, nb_mots_src, nb_mots_tgt, n1, placeholder
    global df_data_en, df_data_fr, nb_mots_en, df_count_word_en, df_count_word_fr, nb_mots_en, nb_mots_fr

    st.write("")
    st.title(tr(title))

    #
    st.write("## **"+tr("Explications")+" :**\n")
    st.markdown(tr(
        """
        Dans une première approche naïve, nous avons implémenté un système de traduction mot à mot.  
        Cette traduction est réalisée grâce à un dictionnaire qui associe un mot de la langue source à un mot de la langue cible, dans small_vocab  
        Ce dictionnaire est calculé de 3 manières:  
        """)
    , unsafe_allow_html=True)
    st.markdown(
        "* "+tr(":red[**Manuellement**] en choisissant pour chaque mot source le mot cible. Ceci nous a permis de définir un dictionnaire de référence")+"\n"+ \
        "* "+tr("Avec le :red[**Bag Of World**] (chaque mot dans la langue cible = une classe, BOW = features)")
    , unsafe_allow_html=True)
    st.image("assets/BOW.jpg",use_column_width=True)
    st.markdown(
        "* "+tr("Avec le :red[**Word Embedding**], c'est à dire en associant chaque mot à un vecteur \"sémantique\" de dimensions=300, et en selectionnant le vecteur de langue cible "
        "le plus proche du vecteur de langue source.")+" \n\n"+
        tr("Enfin nous calculons :")+"\n"+ \
        "* "+tr("la :red[**précision**] du dictionnaire par rapport à notre dictionnaire de réference (manuel)")+"\n"+ \
        "* "+tr("le ")+" :red[**score BLEU**] (\"BiLingual Evaluation Understudy\")"+tr(", qui mesure la précision de notre traduction par rapport à celle de notre corpus référence. ") 
    , unsafe_allow_html=True)
    #
    st.write("## **"+tr("Paramètres ")+" :**\n")
    Sens = st.radio(tr('Sens')+' :',('Anglais -> Français','Français -> Anglais'), horizontal=True)
    Lang = ('en_fr' if Sens=='Anglais -> Français' else 'fr_en')
    Algo = st.radio(tr('Algorithme')+' :',('Manuel', 'KMeans','KNN','Random Forest','Word Embedding'), horizontal=True)
    Metrique = ''
    if (Algo == 'KNN'):
        Metrique = st.radio(tr('Metrique')+':',('minkowski', 'cosine', 'chebyshev', 'manhattan', 'euclidean'), horizontal=True)

    if (Lang=='en_fr'):
        df_data_src = df_data_en
        df_data_tgt = df_data_fr
        if st.session_state.reCalcule:
            df_count_word_src = df_count_word_en
            df_count_word_tgt = df_count_word_fr
            nb_mots_src = nb_mots_en
            nb_mots_tgt = nb_mots_fr
    else:
        df_data_src = df_data_fr
        df_data_tgt = df_data_en
        if st.session_state.reCalcule:
            df_count_word_src = df_count_word_fr
            df_count_word_tgt = df_count_word_en
            nb_mots_src = nb_mots_fr
            nb_mots_tgt = nb_mots_en
    
    # df_data_src.columns = ['Phrase']
    sentence1 = st.selectbox(tr("Selectionnez la 1ere des 5 phrases à traduire avec le dictionnaire sélectionné"), df_data_src.iloc[:-4],index=int(n1) )
    n1 = df_data_src[df_data_src[0]==sentence1].index.values[0]

    if st.session_state.reCalcule:
        df_dic = calcul_dic(Lang,Algo,Metrique)
        df_dic_ref = calcul_dic(Lang,'Manuel',Metrique)
    else:
        df_dic = load_dic(Lang,Algo,Metrique)
        df_dic_ref = load_dic(Lang,'Manuel',Metrique)
    
    """
    save_dico = st.checkbox('Save dic ?')
    if save_dico:
        dic_name = st.text_input('Nom du fichier :',dataPath+'/dict_')
        save_dic(dic_name, df_dic)
    """

    st.write("## **"+tr("Dictionnaire calculé et traduction mot à mot")+" :**\n")
    col1, col2 = st.columns([0.25, 0.75])
    with col1:
        st.write("#### **"+tr("Dictionnaire")+"**")
        precision = int(round(accuracy(df_dic_ref,df_dic)*100, 0))
        st.write("<p style='text-align:center;background-color:red; color:white')>"+tr("Précision")+" = {:2d}%</p>".format(precision), unsafe_allow_html=True)
        display_dic(df_dic)
    with col2:
        st.write("#### **"+tr("Traduction")+"**")
        placeholder = st.empty()
        display_translation(n1, df_dic, Lang)