-
Notifications
You must be signed in to change notification settings - Fork 3
/
Copy pathMaxEnt.py
220 lines (199 loc) · 7.07 KB
/
MaxEnt.py
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
#!/usr/bin/env python
# -*- coding: utf-8 -*-
'''
@author: sunyueqing
@license: (C) Copyright 2013-2017, Node Supply Chain Manager Corporation Limited.
@contact: [email protected]
@File : MaxEnt.py
@Time : 2018/12/11 12:09
@Site :
@Software: PyCharm
'''
import time
import sys
import math
from collections import defaultdict
import pickle
class MaxEnt:
def __init__(self):
self._samples = [] # 样本集, 元素是[y,x1,x2,...,xn]的元组
self._Y = set([]) # 标签集合,相当于去重之后的y
self._numXY = defaultdict(int) # key是(xi,yi)对,value是count(xi,yi)
self._N = 0 # 样本数量
self._n = 0 # 特征对(xi,yi)总数量
self._xyID = {} # 对(x,y)对做的顺序编号(ID),key是(xi,yi)对,value是ID
self._C = 0 # 样本最大的特征数量,用于求参数的迭代
self._ep_ = [] # 样本分布的特征期望值
self._ep = [] # 模型分布的特征期望值
self._w = [] # 对应n个特征的权值
self._lastw = [] # 上一轮迭代的权值
self._EPS = 0.01 # 判断是否收敛的阈值
def load_data(self, filename):
'''
加载训练数据
:param filename: 训练文件
:return:
'''
for line in open(filename, "r", encoding="utf-8"):
sample = line.strip().split("\t")
if len(sample) < 2: # 至少:标签+一个特征
continue
y = sample[0]
X = sample[1:] # 特征
self._samples.append(sample)
self._Y.add(y) # label
for x in set(X): # set给X去重
self._numXY[(x, y)] += 1
def _initparams(self):
'''
初始化参数
:return:
'''
self._N = len(self._samples)
self._n = len(self._numXY) # 没有做任何特征提取操作,直接操作特征
self._C = max([len(sample) - 1 for sample in self._samples])
self._w = [0.0] * self._n
self._lastw = self._w[:]
self._sample_ep()
def _convergence(self):
'''
判断是否收敛
:return:
'''
for w, lw in zip(self._w, self._lastw):
print(math.fabs(w - lw))
if math.fabs(w - lw) >= self._EPS:
return False
return True
def _sample_ep(self):
'''
初始化样本分布的特征期望值
:return:
'''
self._ep_ = [0.0] * self._n
for i, xy in enumerate(self._numXY):
self._ep_[i] = self._numXY[xy] * 1.0 / self._N
self._xyID[xy] = i
def _zx(self, X):
'''
计算Z(x)
:param X: 特征+标签
:return:
'''
# calculate Z(x)
ZX = 0.0
for y in self._Y: # 对于每一个标签
sum = 0.0
for x in X:
if (x, y) in self._numXY: # 如果训练数据中存在这个特征
sum += self._w[self._xyID[(x, y)]] # 特征的权值
ZX += math.exp(sum)
return ZX
def _pyx(self, X):
'''
计算P(y|x)
:param X: 输入的特征+标签
:return:
'''
ZX = self._zx(X)
results = []
for y in self._Y:
sum = 0.0
for x in X:
if (x, y) in self._numXY:
sum += self._w[self._xyID[(x, y)]]
pyx = 1.0 / ZX * math.exp(sum)
results.append((y, pyx)) # 标签-概率
return results
def _model_ep(self):
'''
计算模型期望
:return:
'''
self._ep = [0.0] * self._n
for sample in self._samples:
X = sample[1:]
pyx = self._pyx(X)
for y, p in pyx:
for x in X:
if (x, y) in self._numXY:
self._ep[self._xyID[(x, y)]] += p * 1.0 / self._N
def train(self, maxiter=100):
'''
训练模型
:param maxiter: 迭代次数可调,这里设置为100次
:return:
'''
self._initparams()
for i in range(0, maxiter):
print("Iter:%d...." % i)
self._lastw = self._w[:] # 保存上一轮权值
self._model_ep()
# 更新每个特征的权值
for i, w in enumerate(self._w):
self._w[i] += 1.0 / self._C * math.log(self._ep_[i] / self._ep[i])
print(self._w)
# 检查是否收敛
if self._convergence():
break
def predictSentence(self, inp):
'''
预测,支持句子输入
:param inp: 输入句子
:return:
'''
X = inp.strip().split("\t")
prob = self._pyx(X)
return prob
def predictFile(self, testfile, resultfile):
'''
预测,支持文件输入
:param testfile: 测试文件
:param resultfile: 测试结果文件
:return:
'''
infile = open(testfile, 'r', encoding="utf-8")
outfile = open(resultfile, 'w', encoding="utf-8")
for line in infile.readlines():
prob = self.predictSentence(line)
result = sorted(prob, key=lambda x: (x[1], x[0]), reverse=True)
outfile.write(line.strip().split('\t')[0] + '\t' + result[0][0] + '\n')
infile.close()
outfile.close()
def saveModel(self):
'''
将中间数据存入模型文件
:param modelFile:
:return:
'''
with open('model.pickle', 'wb') as f: # Python 3: open(..., 'wb')
pickle.dump(
[self._samples, self._Y, self._numXY, self._N, self._n, self._xyID, self._C, self._ep_, self._ep,
self._w, self._lastw, self._EPS], f)
f.close()
def loadModel(self):
'''
加载模型文件
:return:
'''
with open('model.pickle', 'rb') as f:
self._samples, self._Y, self._numXY, self._N, self._n, self._xyID, self._C, self._ep_, self._ep, self._w, self._lastw, self._EPS = pickle.load(
f)
# print(self._samples, self._Y, self._numXY, self._N, self._n, self._xyID, self._C, self._ep_, self._ep,
# self._w, self._lastw, self._EPS)
f.close()
if __name__ == "__main__":
time_start = time.time()
maxent = MaxEnt()
# maxent.load_data('data/trainFeature.txt')
# maxent.train()
# maxent.saveModel()
maxent.loadModel()
maxent.predictFile('data/testFeature.txt', 'result.txt')
time_end = time.time()
print('totally cost', time_end - time_start)
# print(maxent.predictSentence("藏 们 收 北 京 收/藏 藏/北 们/收/藏 藏/北/京 们/收/藏/北/京"))
# print(maxent.predictSentence("北 收 藏 京 史 藏/北 北/京 收/藏/北 北/京/史 收/藏/北/京/史"))
# print(maxent.predictSentence("京 藏 北 史 料 北/京 京/史 藏/北/京 京/史/料 藏/北/京/史/料"))
# print(maxent.predictSentence("史 北 京 料 中 京/史 史/料 北/京/史 史/料/中 北/京/史/料/中"))
sys.exit(0)