-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathlm.py
411 lines (338 loc) · 15.4 KB
/
lm.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
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
# SOHAIL AHMED KHAN
from collections import Counter
import re
import string
import sys
#Preprocessing corpus for unigrams and also getting the words and their frequencies using Counter
def get_unigram_counts(filepath):
filepath = filepath
with open(filepath) as fp:
sentences = []
for line in (fp):
#Adding <s> start and stop </s> in every sentence.
line = '<s> ' + line + ' </s>'
#Lower casing the sentences and splitting words over spaces
words = line.lower().split()
#Removing Punctuation
sentence = [x for x in words if x not in (string.punctuation + '--' + '...' + '-' + '?')]
sentences.extend(sentence)
#Getting frequencies of words in Dictionary
unigram_counts = Counter(sentences)
return unigram_counts, len(sentences)
#Preprocessing the questions .txt file
def get_questions(Q_filepath):
Q_filepath = Q_filepath
with open(Q_filepath) as fp:
questions = []
for line in (fp):
#Seprating the candidate words at the end of each question
words = line.replace('/', " ").lower().split()
sentence = [x for x in words if x not in (string.punctuation + '--' + '...' + '-' + '?')]
questions.append(sentence)
return questions
#Preprocessing corpus for bigrams, removing punctuation and also getting the bigrams and their frequencies using Counter
def get_bigram_counts(filepath):
filepath = filepath
bigram = []
with open(filepath) as fp:
sentences = []
for line in (fp):
line = '<s> ' + line + ' </s>'
words = line.lower().split()
sentence = [x for x in words if x not in (string.punctuation + '--' + '...' + '-' + '?')]
sentences.extend(sentence)
#Getting two consecutive words
key2 = 1
for i in range(len(sentences)-1):
bigram.append(sentences[i] + " " + sentences[key2])
key2 += 1
#Getting the frequencies of Bigrams
bigram_counts = Counter(bigram)
return bigram_counts, len(bigram)
#Method to get bigram predictions and their accuracies
def bigram(bigram_counts, total_bigram_count_in_corpus, unigram_counts, total_word_count_in_corpus, questions):
last = []
second_last = []
list1 = []
list2 = []
bigram_probs = {}
question_bigram_second_last = []
question_bigram_last = []
correct_words = ['whether', 'through', 'piece', 'court', 'allowed', 'check', 'hear', 'cereal', 'chews', 'sell']
#Getting the possible candidate words in two different lists
for w in questions:
last.append(w[len(w)-1])
second_last.append(w[len(w)-2])
#Getting the questions by appending the two candidate words alternatively in two different lists
for i in range(len(questions)):
strn = ''
strn = ' '.join(questions[i][:-2])
#Adding start <s> and stop </s> symbols in questions
list1.append('<s> ' + strn.replace('____', second_last[i]) + ' </s>')
list2.append('<s> ' + strn.replace('____', last[i]) + ' </s>')
#Calculating Bigram probabilities
for words, freq in bigram_counts.items():
word = words.split()
bigram_probs[words] = freq / unigram_counts[word[0]]
#Getting the possible sentence for one candidate word
using_second_last_word = []
for i in list1:
key2 = 1
words = i.split()
for j in range(len(words)-1):
using_second_last_word.append(words[j] + " " + words[key2])
key2 += 1
question_bigram_second_last.append(using_second_last_word)
using_second_last_word = []
#Calculating the probabilities for sentence with one possible candidate word
prob_second_last = []
for i in question_bigram_second_last:
result = 1
for j in i:
if j in bigram_probs.keys():
result *= bigram_probs[j]
else:
result = 0
prob_second_last.append(result)
#Getting the possible sentence for other candidate word
using_last_word = []
for i in list2:
key2 = 1
words = i.split()
for j in range(len(words)-1):
using_last_word.append(words[j] + " " + words[key2])
key2 += 1
question_bigram_last.append(using_last_word)
using_last_word = []
#Calculating the probabilities for sentence with other possible candidate word
prob_last = []
for i in question_bigram_last:
result = 1
for j in i:
if j in bigram_probs.keys():
result *= bigram_probs[j]
else:
result = 0
prob_last.append(result)
bigram_sentences = []
accuracy = 0
high_probs = []
selected_word = []
#Comparing the calculated probabilites and incrementing the accuracies for correctly predicted words
for j in range(len(prob_last)):
if prob_second_last[j] > prob_last[j]:
bigram_sentences.append(list1[j])
high_probs.append(prob_second_last[j])
selected_word.append(second_last[j])
if second_last[j] == correct_words[j]:
accuracy += 1
elif(prob_second_last[j] < prob_last[j]):
bigram_sentences.append(list2[j])
high_probs.append(prob_last[j])
selected_word.append(last[j])
if last[j] == correct_words[j]:
accuracy += 1
elif(prob_second_last[j] == prob_last[j] and prob_second_last[j] != 0.0 and prob_last[j] != 0.0):
bigram_sentences.append(list1[j])
high_probs.append(prob_second_last[j])
selected_word.append(second_last[j])
if second_last[j] == correct_words[j]:
accuracy += 0.5
else:
bigram_sentences.append(list2[j])
selected_word.append(last[j])
high_probs.append(prob_last[j])
#Printing the results for Bigram Model
print("\n Results for BIGRAM Model\n")
sentences = []
for i in range(len(bigram_sentences)):
bigram_sentences[i] = bigram_sentences[i].replace('<s> ', "")
bigram_sentences[i] = bigram_sentences[i].replace(' </s>', ".")
sentences.append(bigram_sentences[i])
for i in range(len(sentences)):
print([i+1], sentences[i], "---- Choosen Word: ", '"',selected_word[i],'"', " : Having Probability: ", high_probs[i])
print("\n --------------------------------------------------------------------------- \n")
print('Accuracy of Bigram Model: ', accuracy, ' out of ', len(bigram_sentences))
def bigram_with_smoothing(bigram_counts, total_bigram_count_in_corpus, unigram_counts, total_word_count_in_corpus, questions):
last = []
second_last = []
list1 = []
list2 = []
bigram_probs_smooth = {}
question_bigram_second_last = []
question_bigram_last = []
#Getting the possible candidate words in two different lists
for w in questions:
last.append(w[len(w)-1])
second_last.append(w[len(w)-2])
#Getting the questions by appending the two candidate words alternatively in two different lists
for i in range(len(questions)):
strn = ''
strn = ' '.join(questions[i][:-2])
list1.append('<s> ' + strn.replace('____', second_last[i]) + ' </s>')
list2.append('<s> ' + strn.replace('____', last[i]) + ' </s>')
#Calculating Bigram probabilities and adding smoothing
for words, freq in bigram_counts.items():
word = words.split()
bigram_probs_smooth[words] = (freq + 1 ) / (unigram_counts[word[0]] + len(unigram_counts))
#Getting the possible sentence for one candidate word
using_second_last_word = []
for i in list1:
key2 = 1
words = i.split()
for j in range(len(words)-1):
using_second_last_word.append(words[j] + " " + words[key2])
key2 += 1
question_bigram_second_last.append(using_second_last_word)
using_second_last_word = []
#Calculating the probabilities for sentence with one possible candidate word
prob_second_last = []
for i in question_bigram_second_last:
result = 1
for j in i:
if j in bigram_probs_smooth.keys():
result *= bigram_probs_smooth[j]
else:
word = j.split()
if word[0] in unigram_counts.keys():
result *= 1 / (unigram_counts[word[0]] + len(unigram_counts))
else:
result *= 1 / len(unigram_counts)
prob_second_last.append(result)
#Getting the possible sentence for other candidate word
using_last_word = []
for i in list2:
key2 = 1
words = i.split()
for j in range(len(words)-1):
using_last_word.append(words[j] + " " + words[key2])
key2 += 1
question_bigram_last.append(using_last_word)
using_last_word = []
#Calculating the probabilities for sentence with other possible candidate word
prob_last = []
for i in question_bigram_last:
result = 1
for j in i:
if j in bigram_probs_smooth.keys():
result *= bigram_probs_smooth[j]
else:
word = j.split()
if word[0] in unigram_counts.keys():
result *= 1 / (unigram_counts[word[0]] + len(unigram_counts))
else:
result *= 1 / len(unigram_counts)
prob_last.append(result)
bigram_sentences = []
accuracy = 0
high_probs = []
selected_word = []
correct_words = ['whether', 'through', 'piece', 'court', 'allowed', 'check', 'hear', 'cereal', 'chews', 'sell']
#Comparing the calculated probabilites and incrementing the accuracies for correctly predicted words
for j in range(len(prob_last)):
if prob_second_last[j] > prob_last[j]:
bigram_sentences.append(list1[j])
high_probs.append(prob_second_last[j])
selected_word.append(second_last[j])
if second_last[j] == correct_words[j]:
accuracy += 1
elif(prob_second_last[j] < prob_last[j]):
bigram_sentences.append(list2[j])
high_probs.append(prob_last[j])
selected_word.append(last[j])
if last[j] == correct_words[j]:
accuracy += 1
elif(prob_second_last[j] == prob_last[j] and prob_second_last[j] != 0.0 and prob_last[j] != 0.0):
bigram_sentences.append(list1[j])
high_probs.append(prob_second_last[j])
selected_word.append(second_last[j])
if second_last[j] == correct_words[j]:
accuracy += 0.5
else:
bigram_sentences.append(list2[j])
selected_word.append(last[j])
high_probs.append(prob_last[j])
#Printing the results for Bigram Model
print("\n Results for BIGRAM with Smoothing Model\n")
sentences = []
for i in range(len(bigram_sentences)):
bigram_sentences[i] = bigram_sentences[i].replace('<s> ', "")
bigram_sentences[i] = bigram_sentences[i].replace(' </s>', ".")
sentences.append(bigram_sentences[i])
for i in range(len(sentences)):
print([i+1], sentences[i], "---- Choosen Word: ", '"',selected_word[i],'"', " : Having Probability: ", high_probs[i])
print("\n --------------------------------------------------------------------------- \n")
print('Accuracy of Bigram with Smoothing Model: ', accuracy, ' out of ', len(bigram_sentences))
def unigrams(unigram_counts, total_word_count_in_corpus, questions):
last = []
secondlast = []
unigram_counts['____'] = 1
words = []
probs = []
accuracy = 0
correct_words = ['whether', 'through', 'piece', 'court', 'allowed', 'check', 'hear', 'cereal', 'chews', 'sell']
#Reading questions and calculating probabilities for words present in questions using the unigram counts
for w in questions:
last = w[len(w)-1]
second_last = w[len(w)-2]
#Getting probability of one candidate word
prob_last = unigram_counts[last]/total_word_count_in_corpus
#Getting probability of the other candidate word
prob_second_last = unigram_counts[second_last]/total_word_count_in_corpus
#Getting probabilities of question sentences with the two possible candidate words
for i in range(len(w)-2):
prob_last *= unigram_counts[w[i]]/total_word_count_in_corpus
prob_second_last *= unigram_counts[w[i]]/total_word_count_in_corpus
#Comparing the probabilities calculated above based on the two possible candidate words, incrementing accuracies
#for correctly predicted words
if prob_last > prob_second_last:
probs.append(prob_last)
words.append(last)
if last in correct_words:
accuracy += 1
elif prob_second_last > prob_last:
probs.append(prob_second_last)
words.append(second_last)
if second_last in correct_words:
accuracy += 1
elif prob_second_last == prob_last and prob_second_last != 0.0 and prob_last != 0.0:
probs.append(prob_last)
words.append(last)
if second_last in correct_words:
accuracy += .5
elif prob_second_last == prob_last and prob_second_last == 0.0 and prob_last == 0.0:
probs.append(prob_last)
words.append(last)
#Returning results to the main function
return words, probs, accuracy
def main():
#Getting file paths from the command line arguments
filepath = sys.argv[1]
Q_filepath = sys.argv[2]
print("\n----------------- Working..." + "\t Please Wait... -----------------")
#Getting Unigram Counts
unigram_counts = []
unigram_counts, total_word_count_in_corpus = get_unigram_counts(filepath)
#Getting Bigram Counts
bigram_counts = {}
bigram_counts, total_bigram_count_in_corpus = get_bigram_counts(filepath)
#Getting preprocessed Questions
questions = get_questions(Q_filepath)
#Getting results from the Unigram Method and printing the results
words, probs, accuracy = unigrams(unigram_counts, total_word_count_in_corpus, questions)
print("\n Results for UNIGRAM Model\n")
for i in range(len(questions)):
strn = ''
strn = ' '.join(questions[i][:-2])
print([i+1],strn.replace('____', words[i]), '--- Choosen word: ',words[i],' having probability ', probs[i])
print("\n --------------------------------------------------------------------------- \n")
print('Accuracy of Unigram Model: ', accuracy, ' out of ', len(questions))
print("\n --------------------------------------------------------------------------- \n")
#Printing results from Bigram Method
bigram(bigram_counts, total_bigram_count_in_corpus, unigram_counts, total_word_count_in_corpus, questions)
print("\n --------------------------------------------------------------------------- \n")
#Printing results from Bigram_with_smoothing Method
bigram_with_smoothing(bigram_counts, total_bigram_count_in_corpus, unigram_counts, total_word_count_in_corpus, questions)
print("\n --------------------------------------------------------------------------- \n")
if __name__ == '__main__':
main()