from encodings import search_function import lzma from re import L import regex as re import string import queue # text = lzma.open('train/in.tsv.xz').read() def read_file(file): for line in file: yield re.sub(' +|\t', ' ', line.replace("\\n"," ").replace("\n","").translate(str.maketrans('','', string.punctuation))).split(" ") def get_words(file): for words in read_file(file): yield from words def set_bigram_count(first_word, second_word, bigrams): if f"{first_word}_{second_word}" not in bigrams: bigrams[f"{first_word}_{second_word}"] = 1 else: bigrams[f"{first_word}_{second_word}"] += 1 def set_trigram_count(first_word, second_word, third_word, trigrams): if f"{first_word}_{second_word}_{third_word}" not in trigrams: trigrams[f"{first_word}_{second_word}_{third_word}"] = 1 else: trigrams[f"{first_word}_{second_word}_{third_word}"] += 1 def load_train(): trigrams = {} bigrams = {} with lzma.open('train/in.tsv.xz', mode='rt') as file: wordNo = 1 word_bi_last = "" words = ["", "", ""] for i_, word in enumerate(get_words(file)): word = word.lower() if len(word_bi_last) > 0: set_bigram_count(word_bi_last, word, bigrams) if i_ == 1: words[0]=word_bi_last words[1]=word elif i_ == 2: words[2]=word set_trigram_count(words[0], words[1], words[2], trigrams) elif i_ > 2: words[0]=words[1] words[1]=words[2] words[2]=word set_trigram_count(words[0], words[1], words[2], trigrams) word_bi_last = word def predict(search_for_words): trigrams_complete = {} # Tablica trigramów szukanych słów które wystąpiły w tekście z dokładnie tymi samymi szukanymi słowami w tej samej kolejności bigrams_complete = {} # Tablica bigramów szukanych słów które wystąpiły w tekście z dokładnie tymi samymi szukanymi słowami w tej samej kolejności # bigrams_not_complete = {} # trigrams_not_complete = {} # search_for_words_complete = [] # Tablica szukanych słów które wystąpiły w tekście z dokładnie tymi samymi szukanymi słowami w tej samej kolejności # Szukanie bigramów i trigramów które zawierają szukaną lukę dla słowa z tablicy search_for_words. # Jeżeli kolejność słów się zgadza liczona jest ilość wystąpień takich bigramów i trigramów z tymi słowami. # Przy czym dla trigramów sprawdzane są tylk odwa ostatnie słowa bo to logiczne. I potem sprawdzane jest który trigram dla danych słów najczęściej występuje. # I to pierwsze słowo z tego trigramu dla tych danych dwóch słów jest tym słowem szukanym (leftcontext). # bigramy i trigramy zapisywane są w dict jako jeden cały string a słowa odzielone są _ (podłogą). with lzma.open('train/in.tsv.xz', mode='rt') as file: wordNo = 1 word_bi_last = "" words = ["", "", ""] for i_, word in enumerate(get_words(file)): # lecimy po kolei słowo po słowie. Słow ma usunięte wszelkie interpunkcja word = word.lower() # normalizowanie na małe znaki if not word: continue if len(word_bi_last) > 0: # Mamy już pierwsze słow zbuforowane (szczególnie potrzebne dla pierwszego przebiegu) możemy więc zapisać for search_for_word in search_for_words: search_for_word_s = search_for_word.split("_") if search_for_word_s[0] == word_bi_last and search_for_word_s[1] == word: # Jeżeli szukane słowa tworzą bigram występujący w tekście trenującym to zwiększamy liczbę jego wystąpień set_bigram_count(word_bi_last, word, bigrams_complete) # elif search_for_word_s[0] == word_bi_last: # set_bigram_count(word_bi_last, word, bigrams_not_complete) if i_ == 1: # If potrzebny aby zbuforować min 3 wyrazy dla trigramu w początkowej fazie przebiegu pętli. words[0]=word_bi_last words[1]=word elif i_ == 2: # są już zbuforowane 3 słowa więc można zacząć zliczać trigramy tylko w początkowej fazie przebiegu pętli. words[2]=word # To jest to 3 słowo for search_for_word in search_for_words: search_for_word = search_for_word.split("_") if search_for_word[0] == words[1] and search_for_word[1] == words[2]: # Jeżeli szukane słowa należą do przedostatniego i ostatniego słowa trigramu to jest zwiększana liczba wystąpień tego trigramu. set_trigram_count(words[0], words[1], words[2], trigrams_complete) # elif search_for_word[0] == words[1]: # set_trigram_count(words[0], words[1], words[2], trigrams_not_complete) elif i_ > 2: # Jest to już ponad 2 przebieg pętli więc możemy rotować wyrazy jak w kolecje. Dla trigramów. words[0]=words[1] words[1]=words[2] words[2]=word for search_for_word in search_for_words: search_for_word = search_for_word.split("_") if search_for_word[0] == words[1] and search_for_word[1] == words[2]: set_trigram_count(words[0], words[1], words[2], trigrams_complete) # elif search_for_word[0] == words[1]: # set_trigram_count(words[0], words[1], words[2], trigrams_not_complete) word_bi_last = word if i_ == 500000: break print(len(search_for_words)) print(len(bigrams_complete)) print(len(trigrams_complete)) # print(len(bigrams_complete), len(bigrams_not_complete), len(bigrams_complete)+len(bigrams_not_complete)) # print(len(trigrams_complete), len(trigrams_not_complete), len(trigrams_complete)+len(trigrams_not_complete)) # Szukanie trigramu który najczęściej wystąpił dla każdych dokadnie tych samych co szukanych danych dwóch słów z tablicy serch_for_word. # Dotyczy dkoładnie pasujących bigramów z szukanymi słowami left_context_search_for_word = {} for bigram_complete in bigrams_complete: max_count = 0 for trigram in trigrams_complete: if bigram_complete == '_'.join(trigram.split("_")[1:3]) and trigrams_complete[trigram] > max_count: max_count = trigrams_complete[trigram] left_context = trigram.split("_")[0] left_context_search_for_word[bigram_complete] = left_context # # Szukanie trigramu który najczęściej wystąpił dla pierwszego szukanego słowa z szukanych słów z tablicy serch_for_word. # # To w przypadku gdyby szukane słowa w ogóle nie znalazły swojego dopasowania w zbiorze train to wtedy dostaną jakieś tam prawdopodobieństwo dla tego pierwszego słow z szukanych słów. # left_context_search_for_word_not_complete = {} # for bigram_not_complete in bigrams_not_complete: # max_count = 0 # for trigram in trigrams_not_complete: # if bigram_not_complete == '_'.join(trigram.split("_")[1:3]) and trigrams_not_complete[trigram] > max_count: # max_count = trigrams_not_complete[trigram] # left_context = trigram.split("_")[0] # left_context_search_for_word_not_complete[bigram_not_complete] = left_context for search_for_word in search_for_words: if search_for_word in left_context_search_for_word: left_context = left_context_search_for_word[search_for_word] print(f"{left_context} {' '.join(search_for_word.split('_'))} {trigrams_complete['_'.join([left_context, search_for_word])]/bigrams_complete[search_for_word]}") def load_dev(): # Ładowanie zbioru testującego # Luka została oznaczona jako znak tabulacji (\t) search_for_words = [] with lzma.open('dev-0/in.tsv.xz', mode='rt') as file: index = 0 second_word = "" third_word = "" was_tab = False word_index_watch = 0 for line in file: # Wczytanie linijiki i dzielenie jej na słowa, w przypadku napotkania luki (znaku \t) dodanie spacji aby oznaczyć jako słowo. Czyszczenie słów z różnych dziwnych znaków. for word in line.replace("\\n"," ").replace("\n","").translate(str.maketrans('','', string.punctuation)).replace("\t", " \t ").split(" "): word = word.lower() if not word: # omijamy pusty znak wynikający z podziału przez spacje, dokońca nie wiem dlaczego się pojawia raczej nie powienien. continue # Napotkał lukę czyli kolejne dwa wyrazy będą brane jako bigramy i na tych bigramach (zmienna search_for_words) będzie dokonywana predykcja. if word == '\t': was_tab = True word_index_watch = 0 second_word = "" third_word = "" elif was_tab: # Wystąpiła wcześniej luka (szukane pierwsze słowo) czyli zapisujemy słowo jako drugie słowo z bigramu, przeskakujemy iterację i potem zapisujemy trzecie słowo jeżeli w między czasie nie wystąpi jakaś luka inaczej zaczynamy proces od nowa. if not second_word: # Sprawdzamy czy już drugie słowo nie zostało zbuforowane, jeżeli tak to oznacza, że teraz czekamy na trzecie słowo second_word = word # Buforujemy drugie słowo elif word_index_watch == 1: # Kolejna iteracja czyli jest to trzecie słowo z bigramu to zapisujemy szukany bigram third_word = word search_for_words.append(f"{second_word}_{third_word}") was_tab = False # Oznaczamy, że dla tej luki mamy już bigram else: # Jeżeli przekroczymy indeks słów to szkuamy kolejnej luki i resetujemy zmienne. W sumie do końca nie wiem czy to jest potrzebne was_tab = False second_word = "" third_word = "" word_index_watch += 1 # print(line) index += 1 if index == 100: break print(search_for_words) return search_for_words if __name__ == "__main__": # load_train() predict(load_dev()) # with lzma.open('train/in.tsv.xz', mode='rt') as file: # index = 0 # for _ in get_words(file): # index += 1 # print(index) # 141820215