Building And UsingA Weighted Speller

Weight classes

The weights should be restricted to signed integers in the range -32 000 - +32 000. Weights are usually positive, with a higher weight meaning less likelyhood of being relevant. Negative weights are usually used to promote a candidate. The weights have no influence on whether a word is accepted, only on the ranking of suggestions.

To make the interaction of the weights more predictable, we group types of weights into classes of power of tens:

10^0 (0-9)

Tiny adjustments, nit-picking

10^1 (10-90)

Smaller adjustments

10^2 (100-900)

Regular edits

10^3 (1000-9000)

Heavy-handed weights

10^4 (10000-...)

Most heavy demotion - do not suggest. Although not yet implemented, there will probably be a hard-coded limit of 20 000 - anything with this or a higher weight will never be suggested.

It is possible to use fractions (the weighted hfst format allow any real as weight), but in some applications only integers will be accepted, and weight differences on the decimal scale will be ignored. It is thus best to stay in the integer world for maximum compatibility with all tools.

Each higher weight class will usually override ordering based on weights from lighter weight classes.

Weight sources and total weight calculation

Sources:

• frequency corpus + default weight for unseen word forms
• tags
• morphological structure (compounding & derivation)
• error model edits

The actual weight for any given suggestion is the sum of all the weights.

Old version below:

1. feilskrive ord inn
2. vi bruker ein feilmodell til å generera mange ulike forslag
   1. kvart forslag får ei vekt ut i frå kva slags endringar vi gjer i høve til inn-ordet
3. alle forslag blir sjekka mot stavekontrollen
4. ikkjeeksisterande ord blir fjerna
5. resten av forslaga blir sorterte etter vekt
6. lista med forslag blir vist til brukaren

(I prinsipp fungerer alle stavekontrollar etter denne modellen. Det som skil dei er teknologi og metodar for å generera og vekta forslaga.)

Døme: vi vil gå frå gøølli til gööli

I redigeringsavstand er det 3 operasjonar: ø -> ö, ø -> ö, l -> 0, dvs. redigeringsavstand 3. Dette er for mykje for standardreglane, som berre dekkjer redigeringsavstand 2, og vi vil ikkje få det rette forslaget. I staden kan vi leggja til ein ny regel, motivert av det vi veit om skrivefeil i sørsamisk:

• øø -> öö, vekt 0.2

Attåt l->0 -endringa med vekt 1.0 (standardvekt for standardreglane) blir total vekt på forslaget gööli 1.2, og vi har redusert talet på operasjonar til 2.

Utrekning av straffepoeng i vektinga av rettekandidatar:

    regel    vekt
    -------------
    øø -> öö 0.2
  + l  -> 0  1.0
-----------------
Samla vekt = 1.2
=================

Vi kan testa feilmodellen med denne kommandoen (errmodel.default.hfst er namnet på den ferdige feilmodellfila, fila ligg i $GTLANG/tools/spellcheckers/fstbased/hfst/):

hfst-lookup errmodel.default.hfst

eller - for å sjekka genererte forslag for eitt ord:

echo "gøølli" | hfst-lookup errmodel.default.hfst | less

Då får vi slike forslag:

gøølli  göölli  0.200195
gøølli  göølli  0.500000
gøølli  gøölli  0.500000
gøølli  gøøllï  0.500000
gøølli  gööllï  0.700195
gøølli  gööllï  0.700195
gøølli  gööllï  0.700195
gøølli  øølli   1.000000
...
gøølli  gööli   1.200195 # forslag nr 989 av i alt 873 169 forslag.

eksempler dublering:
luhte -> luhtte

eksempler forenkling:
buohkkat -> buohkat

eksempler substitusjon:
mañis -> maŋis

eksempler omkast:
geakti -> geatki

I mappa $GTLANG/tools/spellcheckers/fstbased/hfst/

er det no to nye filer:

• strings.default.txt
• words.default.txt

I tillegg til:

• editdist.default.txt

words.default.txt

Namnet på fila har tre delar, vi kan ha ei anna fil words.ocr.txt for å rette ord i ocr. Vi er ikkje der enno, men skal dit. default er standardfeilmodellen

Denne fila inneheld heile ord (døme: jih)

jih:jïh 0.0

Formatet er:

ordinn:ordut<tab>vekt

Mellomrom i staden for tabulator gjev syntaksfeil.

Vekting: Talverdiar frå 0.0 og oppover. Ord med lågt tal vinn.

strings.default.txt

øø:öö   0.2
ää:ææ   0.2

Syntaksen er den same som for words.default.txt. Fila skal innehalda bokstavsekvensar for typiske feil som ikkje elles blir retta med den vanlege feilmodellen. Enkeltbokstav til annan enkeltbokstav kan ein gje høgare prioritet i neste fil:

editdist.default.txt

Denne fila inneheld ei liste over teikn og bokstavar som ein ikkje vil ha med i standardfeilmodellen, og ei liste over bokstavpar som ein vil gje ei anna vekt enn standardvekta på 1.0.

I lag med stavekontrolltransduceren blir denne fila brukt for å laga ein feilmodell for å retta alle feil med redigeringsavstand 1 og 2. Feilmodellen blir laga slik:

1. hent ut alle symbol frå stavekontroll-fst-en
2. fjern alle symbol som er på meir enn eitt teikn
3. fjern alle enkeltteikn som er lista opp i fila editdist.default.txt
4. lag ein modell med redigeringsavstand 1 for symbola som vi no står att med
   1. for symbolpar/bokstavpar som er lista opp i editdist.default.txt med anna vekt, bruk vekta spesifisert der

errmodel.default.hfst

Denne fila blir laga slik:

1. lag ein enkel feilmodell frå editdist.default.txt
2. slå i hop (union) med feilmodellen frå strings.default.txt
3. repeter fst-en frå førre punkt for å dekkja redigeringsavstand 2, med fri kombinasjon av enkel redigeringsavstand og meir spesifikke bokstavsekvensar
4. slå i hop (union) med feilmodellen frå words.default.txt

Ein kan testa feilmodellen slik det er skildra ovanfor.

Om ein står i katalogen $GTLANG/tools/spellcheckers/fstbased/hfst/ og vil testa ein nylaga stavekontroll:

voikkospell -p . -d sma-x-standard -s

Dersom ein har installert stavekontrollen med sudo make install er det nok med:

voikkospell -d sma-x-standard -s

Det er lett å køyra ein heil tekst gjennom stavekontrollen:

$ echo "Gueli lij bueries" | preprocess | voikkospell -p . \
  -d sma-x-standard -s
W: Gueli
S: Gurli
S: Garli
S: Gulen
S: Vulli
S: Vuelie
C: lij
W: bueries
S: buerie
S: Dåeries
S: fuerie
S: tjueries
S: suepies

For meir informasjon om korleis ein bruker voikkospell, bruk kommandoen

man voikkospell