/// <summary>
/// Строит n-грамную модель.
/// </summary>
/// <param name="inputFile">Входной файл корпуса.</param>
/// <param name="reader">Объект для чтения корпуса.</param>
private void BuildNGrammModel(string inputFile, ICorporaReader reader)
{
reader.Open(inputFile);
nGramm = new TagNGramm();
int nGrammSize = 3;
foreach (var sentense in reader.ReadSentences(int.MaxValue))
{
//предлоги в корпусе не имеют падежа, а союзы не имеют типа
//чтобы добавить эту информацию, воспользуемся модифицированным словарём
foreach (var lexem in sentense)
{
if (serviceTags.ContainsKey(lexem.Word.ToLower()))
{
lexem.Tag = serviceTags[lexem.Word];
}
}
if (sentense.Count > 0 && sentense.Count(a => a.Tag == Tag.NoWord ||
a.Tag == Tag.Unfixed) == 0)
{
foreach (var ngamm in sentense.BuildNGramms(nGrammSize))
{
nGramm.AddNGramm(ngamm);
}
}
}
reader.Close();
}
/// <summary>
/// Трунирует модель классов энтропии.
/// </summary>
/// <param name="inputFile">Входной файл словаря.</param>
/// <param name="reader">Объект для чтения корпуса.</param>
private void BuildEntropyClassModel(string inputFile, ICorporaReader reader)
{
entClass = new DawgEntropyClassModel();
reader.Open(inputFile);
serviceTags = new Dictionary <string, Tag>();
foreach (WordForm lexem in reader.ReadDictionary(long.MaxValue))
{
if ((lexem.Tag & (Tag.Conjunction | Tag.Particle | Tag.Preposition)) != 0)
{
Tag outTag = Tag.NoWord;
serviceTags.TryGetValue(lexem.Word.ToLower(), out outTag);
serviceTags[lexem.Word.ToLower()] = outTag | lexem.Tag;
}
entClass.AddLexem(lexem);
}
((DawgEntropyClassModel)entClass).Build();
reader.Close();
}
/// <summary>
/// Трунирует модель целиком.
/// </summary>
/// <param name="corporaFile">Файл корпуса.</param>
/// <param name="reader">Объект для чтения корпуса.</param>
/// <param name="sentCount">Количество предложений.</param>
/// <param name="concurrent">Установить <c>true</c>, если необходимо выполнить параллельно. </param>
private void TrainFull(string corporaFile, ICorporaReader reader, int sentCount,
bool concurrent)
{
reader.Open(corporaFile);
punctuation = new List <string>();
sentenceDelimiters = new List <string>();
reader.Open(corporaFile);
//читаем заданное количество предложений
foreach (var sentence in reader.ReadSentences(sentCount))
{
//предлоги в корпусе не имеют падежа, а союзы не имеют типа
//чтобы добавить эту информацию, воспользуемся модифицированным словарём
foreach (var lexem in sentence)
{
if (serviceTags.ContainsKey(lexem.Word.ToLower()))
{
lexem.Tag = serviceTags[lexem.Word];
}
}
//запишем все знаки пунктуации, которые встретим
foreach (var punc in sentence.Where(a => (a.Tag & Tag.Punctuation) != 0 &&
!a.Word.Any((c) => char.IsLetter(c)) && !punctuation.Contains(a.Word)))
{
punctuation.Add(punc.Word);
}
WordForm last = sentence.Last();
if ((last.Tag & Tag.Punctuation) != 0 && !sentenceDelimiters.Contains(last.Word))
{
sentenceDelimiters.Add(last.Word);
}
if (sentence.Count(lexem => lexem.Tag == Tag.NoWord || lexem.Tag == Tag.Unfixed) == 0)
{
//строим все возможные окна длины 7
foreach (var window in Utils.BuildAllWindows(sentence, 7))
{
Tag tag = window.Skip(3).First().Tag; //тэг разгадываемого слова
foreach (var group in groups) //для каждой группы
{
group.AddVector(window.ToVector(nGramm, entClass), tag);
}
}
}
}
if (concurrent) //обучаем параллельно
{
Parallel.ForEach(groups, (group) => { group.Train(true); });
}
else
{
foreach (var group in groups)
{
group.Train(false);
}
}
string pattern = @"(-?\d+(?:\.\d+)?|";
foreach (var sign in punctuation)
{
pattern += Regex.Escape(sign) + "+|";
}
pattern = pattern + @"\s+)";
this.lexemPattern = new Regex(pattern);
this.sentencePattern = new Regex(@"(\.+|!|\?)");
reader.Close();
}
/// <summary>
/// Запускает процесс обучения модели.
/// </summary>
/// <param name="corporaFile">Исходный файл корпуса.</param>
/// <param name="sentCount">Количество предложений, которые будут прочитаны.</param>
/// <param name="concurrent"><c>true</c>, если обучение должно происходить
/// параллельно (для такого варианта может понадобиться больше памяти, но
/// процесс займёт меньше времени).</param>
/// <remarks>Может занять очень много времени и использовать большое
/// количество памяти.</remarks>
public void Train(string corporaFile, ICorporaReader reader, int sentCount, bool concurrent)
{
punctuation = new List <string>();
sentenceDelimiters = new List <string>();
reader.Open(corporaFile);
//читаем заданное количество предложений
int i = 0;
foreach (var sentence in reader.ReadSentences(sentCount))
{
//запишем все знаки пунктуации, которые встретим
foreach (var punc in sentence.Where(a => (a.Tag & Tag.Punctuation) != 0 &&
!punctuation.Contains(a.Word)))
{
punctuation.Add(punc.Word);
}
WordForm last = sentence.Last();
if ((last.Tag & Tag.Punctuation) != 0 && !sentenceDelimiters.Contains(last.Word))
{
sentenceDelimiters.Add(last.Word);
}
if (sentence.Count(lexem => lexem.Tag == Tag.NoWord) == 0)
{
#if DEBUG
i++;
Console.Write(string.Format("\rПредложений прочитано: {0}", i));
#endif
//строим все возможные окна длины 7
foreach (var window in Utils.BuildAllWindows(sentence, 7))
{
Tag tag = window.Skip(3).First().Tag; //тэг разгадываемого слова
foreach (var group in groups) //для каждой группы
{
group.AddVector(window.ToVector(nGramm, entClass), tag);
}
}
}
}
if (concurrent) //обучаем параллельно
{
Parallel.ForEach <TagGroup>(groups, (group) => { group.Train(true); });
}
else
{
//обучаем последовательно
i = 0;
foreach (var group in groups)
{
group.Train(false);
#if DEBUG
Console.WriteLine("Закончено обучение группы " + i);
#endif
i++;
}
}
string pattern = @"(-?\d+(?:\.\d+)?|";
foreach (var sign in punctuation)
{
pattern += Regex.Escape(sign) + "+|";
}
pattern = pattern + @"\s+)";
this.lexemPattern = new Regex(pattern);
this.sentencePattern = new Regex(@"(\.+|!|\?)");
reader.Close();
}