从大型歌手中寻找最佳匹配词

Posted 2023-02-22

【中文标题】从大型歌手中寻找最佳匹配词

【英文标题】：Finding best matched word from large Vocalist

【发布时间】：2021-05-12 20:56:54

【问题描述】：

我有一个 pandas 数据框，其中包含名为 Potential Word、Fixed Word 的两列。 Potential Word 列包含不同语言的单词，其中包含拼写错误单词和正确单词，Fixed Word 列包含与Potential Word 对应的正确单词。

下面我分享了一些样本数据

Potential Word	Fixed Word
Exemple	Example
pipol	People
pimple	Pimple
Iunik	unique

我的 vocab Dataframe 包含 600K 唯一行。

我的解决方案：

key = given_word
glob_match_value = 0
potential_fixed_word = ''
match_threshold = 0.65
for each in df['Potential Word']:
    match_value = match(each, key) # match is a function that returns a 
    # similarity value of two strings
    if match_value > glob_match_value and match_value > match_threshold:
        glob_match_value = match_value
        potential_fixed_word = each

问题

我的代码的问题是需要花费大量时间来修复每个单词，因为循环运行在大型词汇列表中。当词汇上漏掉一个单词时，解决一个 10 ~ 12 个单词的句子几乎需要 5 或 6 秒。 match 函数执行得很好，因此达到了优化的目标。

我需要优化的解决方案帮助我

【问题讨论】：

你有多少个独特的keys？

也许你可以用match函数做得更好。可以分享一下吗？

@ghchoi 我们有 600K 唯一密钥

使用序列匹配器pypi.org/project/fuzzy-sequence-matcher

还有 600K 潜在词和固定词对？

【参考方案1】：

在Information Retrieval (IR)的角度，你需要减少搜索空间。将given_word（如key）与所有潜在词匹配肯定是低效的。 相反，您需要匹配合理数量的候选人。

要找到这样的候选词，你需要索引Potential Words和Fixed Words。

from whoosh.analysis import StandardAnalyzer
from whoosh.fields import Schema, TEXT
from whoosh.index import create_in

ix = create_in("indexdir", Schema(
    potential=TEXT(analyzer=StandardAnalyzer(stoplist=None), stored=True),
    fixed=TEXT(analyzer=StandardAnalyzer(stoplist=None), stored=True)
))
writer = ix.writer()
writer.add_document(potential='E x e m p l e', fixed='Example')
writer.add_document(potential='p i p o l', fixed='People')
writer.add_document(potential='p i m p l e', fixed='Pimple')
writer.add_document(potential='l u n i k', fixed='unique')
writer.commit()

有了这个索引，你可以搜索一些候选人。

from whoosh.qparser import SimpleParser

with ix.searcher() as searcher:
    results = searcher.search(SimpleParser('potential', ix.schema).parse('p i p o l'))
    for result in results[:2]:
        print(result)

输出是

<Hit 'fixed': 'People', 'potential': 'p i p o l'>
<Hit 'fixed': 'Pimple', 'potential': 'p i m p l e'>

现在，您可以match given_word 只针对少数候选人，而不是全部 600K。

它并不完美，但是，这是不可避免的权衡以及 IR 的基本工作原理。尝试使用不同数量的候选人。

【参考方案2】：

无需对您的实现进行太多更改，因为我认为在某种程度上需要迭代每个单词的潜在单词列表。

这里我的意图不是优化匹配函数本身，而是利用多线程并行搜索。

import concurrent.futures
import time
from concurrent.futures.thread import ThreadPoolExecutor
from typing import Any, Union, Iterator

import pandas as pd

# Replace your dataframe here for testing this

df = pd.DataFrame('Potential Word': ["a", "b", "c"], "Fixed Word": ["a", "c", "b"])

# Replace by your match function

def match(w1, w2):
    # Simulate some work is happening here
    time.sleep(1)
    return 1

# This is mostly your function itself
# Using index to recreate the sentence from the returned values
def matcher(idx, given_word):
    key = given_word
    glob_match_value = 0
    potential_fixed_word = ''
    match_threshold = 0.65
    for each in df['Potential Word']:
        match_value = match(each, key)  # match is a function that returns a
        # similarity value of two strings
        if match_value > glob_match_value and match_value > match_threshold:
            glob_match_value = match_value
            potential_fixed_word = each
            return idx, potential_fixed_word
        else:
            # Handling default case, you might want to change this
            return idx, ""


sentence = "match is a function that returns a similarity value of two strings match is a function that returns a " \
           "similarity value of two strings"

start = time.time()

# Using a threadpool executor 
# You can increase or decrease the max_workers based on your machine
executor: Union[ThreadPoolExecutor, Any]
with concurrent.futures.ThreadPoolExecutor(max_workers=24) as executor:
    futures: Iterator[Union[str, Any]] = executor.map(matcher, list(range(len(sentence.split()))), sentence.split())

# Joining back the input sentence
out_sentence = " ".join(x[1] for x in sorted(futures, key=lambda x: x[0]))
print(out_sentence)
print(time.time() - start)

请注意，它的运行时间将取决于

单个匹配调用所用的最长时间 句子中的单词数 工作线程数（提示：试试看能不能使用和句子中单词数一样多的词）

【参考方案3】：

我会使用 sortedcollections 模块。一般来说，对 SortedList 或 SortedDict 的访问时间是 O(log(n)) 而不是 O(n)；在您的情况下，19.1946 if/then 检查与 600,000 if/then 检查。

from sortedcollections import SortedDict

【讨论】：

好像不是完全匹配的问题。

Bobby Ocean 问题与 Sorted Dict 无关

什么意思？如果检查 600,000 个值，您的行“for each in df['Potential Word']”，SortedList 只需要检查 19 个值来确定字符串是否在列表中。需要明确的是，“SortedList 中的项目”（