[1-5][语言模型]用KenLM来做完形填空

上一篇文章中，我们从零开始实现了一个简单的N-gram模型，完成了训练、预测的过程。今天我们来介绍一个工具KenLM，它是用C++写的，速度快，对内存友好。它是一个可以用来训练N-gram语言模型的工具。所以本文使用它再来走一遍训练N-gram模型并做完形填空的流程。

KenLM的网站：https://kheafield.com/code/kenlm

环境搭建过程中需要用到的软件或文件我已整理好，后台回复ngram获取。

Linux环境准备

由于训练模型只能在Linux系统上操作，所以首先需要有一个Linux环境。

如果实在没有Linux环境，也可以在Windows下安装Cygwin软件，模拟Linux环境：

从官网http://www.cygwin.com/下载Cygwin的安装软件，双击下载安装。安装过程很简单，保持默认选项，一直“下一步”即可。有几点可能需要修改的：

选安装目录时可以用默认的也可以重新选择，我选的是E:/cygwin64这个路径。
选择下载站点(Choose A Download Site)时，为了下载快，可以在User URL处添加(Add)镜像http://mirrors.163.com/cygwin/或http://mirrors.aliyun.com/cygwin/
选择需要下载安装的组件包(Select Packages)，如下图所示：

选择Base，点击右边的倒三角，将其选为Install，就表示我们要安装Base下面的所有组件，当然你也可以展开Base，只选择部分组件安装。我这里为了省事，就选了整个。同样的方法，选择Base，Devel，Libs，Net，System，Utils几个模块。其中Devel包括了我们开发需要用到的组件。

选好之后，一直点击下一步，就会进入安装状态，等待它安装完成即可。

安装完成之后，可以选择创建桌面快捷方式。如果你像我一样忘了创建快捷方式的话，可以通过在安装目录下双击Cygwin.bat打开Cygwin。

安装目录下其实就是模拟了Linux环境，所以打开Cygwin的效果和你打开Linux系统的终端是一样的。相当于在Windows里内嵌了一个简易的Linux系统，是不是超棒！

更详细的安装步骤可以查看参考资料[1]。

安装kenlm

打开终端，进入home，创建一个目录，用来存放kenlm环境(也可以直接放在当前目录下)。依次执行下列命令：

wget -O - http://kheafield.com/code/kenlm.tar.gz |tar xz
cd kenlm
mkdir -p build
cd build
cmake ..
make -j 4

这样kenlm就搭建好了。

还有一步必不可少的是设置环境变量，否则后面训练时的命令就无法执行。.bashrc是系统的环境变量文件，我们需要修改它：

vim ~/.bashrc

如果报错vim命令找不到，可以改成vi

输入i进入编辑模式，然后添加一行，注意这个路径要跟你的kenlm路径保持一致：

export PATH=$PATH:/home/kenlm/build/bin

然后按esc键退出编辑模式，输入:wq保存并退出。

注意还没结束，还需要执行source ~/.bashrc命令使配置生效。

训练模型

接下来就可以训练模型了，我们将训练用到的文件都放在LM文件夹下，然后将文件夹放在home下。训练用到的文件是train.sh.UNK，在LM/sh文件夹里：

我们需要训练5gram, 4gram, 3gram, 2gram，训练数据放在../data/ptb.train.txt.UNK里，上一篇文章已经介绍过了。原本的数据集中未知词是用<unk>表示的，而kenlm遇到<unk>会报错，所以我们将其替换成了UNK，替换后的数据集就是我们这里要用到的../data/ptb.train.txt.UNK。训练后的模型会保存在../model文件夹里。

在终端通过cd命令进入sh目录，执行命令bash train.sh.UNK就开始训练了。

训练完成很快，大概就1分钟。

做完形填空

模型训练好之后，我们就可以测试了，那么怎么预测呢？先来看看代码吧~

首先是import我们要用到的包，并读取测试集、选项、答案，跟上一篇文章中是一样的。

import nltk
import sys
import kenlm

def load_sentences():
    fn = "./sentences.txt"
    with open(fn) as f:
        line = f.read()
        words = nltk.tokenize.word_tokenize(line)
        words = [x.lower() for x in words]
    return words

def load_options():
    f = open("./options.txt")
    options = []
    for line in f: 
        ll = line.split()
        words = []
        for s in ll:
            word = s.split(".")[-1].lower()
            words.append(word)
        options.append(words)
    f.close()
    return options

def load_answers():
    f = open("./answers.txt")
    line = f.readline().strip()
    f.close()
    return line

不过还缺少一步，将测试集中的不在训练集中的单词替换成UNK。

def unk_it(words, vocab):
    blank_ids = [str(n) for n in range(1, 21)]
    for i in range(len(words)):
        if words[i] in blank_ids:
            continue
        if not words[i] in vocab:
            words[i] = "UNK"
    return words

接下来是预测，和之前类似，只不过句子的概率是通过模型预测出来的。

def predict(words, options, lm, right_answers):
    """
    根据历史进行一个词的预测。
    Params:
        words: 待预测的句子组成的列表。
        options: 所有候选词构成的列表。
        lm：训练好的ngram模型
    Returns:
        预测结果
    """
    n = lm.order   # ngram的n值
    all_words = lm
    blank_ids = [str(n) for n in range(1, 21)]
    bid = 0
    answers = ""
    for i in range(len(words)):
        if words[i] in blank_ids:
            print("Blank ", words[i])
            
            pre_sentence = words[i-(n-1):i]
            post_sentence = words[i+1:i + n]
            max_score = -float('inf')
            choice = -1
            for j in range(len(options[bid])):
                option = options[bid][j]
                if not option in all_words:
                    option = "UNK"
                seq = pre_sentence + [option] + post_sentence
                seq = " ".join(seq)
                # 直接用模型预测句子的概率，不需要考虑句子开头有bos和结尾有eos符号
                score = lm.score(seq, bos=False, eos=False)
                print(score, seq)
                if score > max_score:
                    max_score = score
                    choice = j
            print("Choose: ", 'ABCD'[choice], "Correct: ", right_answers[bid])
            answers += 'ABCD'[choice]
            bid += 1 

    return answers

然后是计算准确率的函数

def accuracy(answers,choices):
    n = len(answers)
    c = 0
    for i in range(len(answers)):
        if answers[i] == choices[i]:
            c += 1
    return c*1.0/n

将上述过程整合：

def main():
    lm = kenlm.Model(sys.argv[1])

    words = load_sentences()  # 加载测试集
    options = load_options()  # 加载选项
    answers = load_answers()  # 加载正确答案

    print(" ".join(words))

    words = unk_it(words, lm)  # 替换未知词
    print(" ".join(words))

    choices = predict(words, options, lm, answers)  # 预测
    print(choices)
    print(answers)
    
    a = accuracy(answers, choices)  # 计算准确率
    print(a)


if __name__ == "__main__":
    main()

上述代码都放在文件main.py里，cd到当前目录，运行main.py，注意要输入模型文件的路径：

python main.py ../model/4gram.arpa.unk

这部分Linux或者Windows环境下都可以完成。

1.如果是在Windows环境下运行，记得安装好需要的包，例如kenlm的安装：

pip install https://github.com/kpu/kenlm/archive/master.zip

安装之前需要先安装Visual C++，否则中间会报错“microsoft visual c++ 14.0 is required”。下载Visual C++文件，双击傻瓜式安装即可。

如果上述命令执行后报错，仍旧无法安装，可以先将路径对应的zip包下载下来，然后到zip包所在目录下，用命令pip install kenlm-master.zip安装。

亲测可行。

在Windows环境下运行还要注意一点，模型文件所在路径不能包含中文，否则会报错“No such file or directory”。

2.如果是Linux环境，建议直接使用Linux系统。因为我用Cygwin没有运行成功╮(╯▽╰)╭。下面简单记录一下我遇到的错误类型。

（1）直接运行命令，报错“No moduled named kenlm”，试图cd kenlm（就是之前kenlm解压的目录）并且python setup.py install还会报错“‘strerror_r’ was not declared in this scope”，目前还没找到解决方案。

（2）Cygwin下nltk的安装也比较麻烦。由于自身不带pip，需要先安装：

这样直接安装nltk可能会报错#include "Python.h" command 'gcc' failed with exit status 1。

需要运行之前的Cygwin安装包，下载python-devel，再运行install nltk才能安装成功。

用训练得到的模型去做完形填空，2gram、3gram、4gram、5gram的准确率都是0.4，还不如上一篇文章中实现的简单模型（准确率0.55）呢╮(╯▽╰)╭

参考资料

[1] Cygwin安装教程

https://blog.csdn.net/u010356768/article/details/90756742

[2] Linux环境变量配置全攻略

https://www.cnblogs.com/youyoui/p/10680329.html

[3] python | 高效统计语言模型kenlm：新词发现、分词、智能纠错

https://zhuanlan.zhihu.com/p/84470460

[4] https://github.com/shixing/xing_nlp/tree/master/LM

Previous[1-4][语言模型]用N-gram来做完形填空 NextLoss Function

Last updated 2 years ago

Was this helpful?

import nltk import sys import kenlm def load_sentences(): fn = "./sentences.txt" with open(fn) as f: line = f.read() words = nltk.tokenize.word_tokenize(line) words = [x.lower() for x in words] return words def load_options(): f = open("./options.txt") options = [] for line in f: ll = line.split() words = [] for s in ll: word = s.split(".")[-1].lower() words.append(word) options.append(words) f.close() return options def load_answers(): f = open("./answers.txt") line = f.readline().strip() f.close() return line

def unk_it(words, vocab): blank_ids = [str(n) for n in range(1, 21)] for i in range(len(words)): if words[i] in blank_ids: continue if not words[i] in vocab: words[i] = "UNK" return words

def predict(words, options, lm, right_answers): """ 根据历史进行一个词的预测。 Params: words: 待预测的句子组成的列表。 options: 所有候选词构成的列表。 lm：训练好的ngram模型 Returns: 预测结果 """ n = lm.order # ngram的n值 all_words = lm blank_ids = [str(n) for n in range(1, 21)] bid = 0 answers = "" for i in range(len(words)): if words[i] in blank_ids: print("Blank ", words[i]) pre_sentence = words[i-(n-1):i] post_sentence = words[i+1:i + n] max_score = -float('inf') choice = -1 for j in range(len(options[bid])): option = options[bid][j] if not option in all_words: option = "UNK" seq = pre_sentence + [option] + post_sentence seq = " ".join(seq) # 直接用模型预测句子的概率，不需要考虑句子开头有bos和结尾有eos符号 score = lm.score(seq, bos=False, eos=False) print(score, seq) if score > max_score: max_score = score choice = j print("Choose: ", 'ABCD'[choice], "Correct: ", right_answers[bid]) answers += 'ABCD'[choice] bid += 1 return answers

def main(): lm = kenlm.Model(sys.argv[1]) words = load_sentences() # 加载测试集 options = load_options() # 加载选项 answers = load_answers() # 加载正确答案 print(" ".join(words)) words = unk_it(words, lm) # 替换未知词 print(" ".join(words)) choices = predict(words, options, lm, answers) # 预测 print(choices) print(answers) a = accuracy(answers, choices) # 计算准确率 print(a) if __name__ == "__main__": main()