实现拼写检查器(spell check)

[Bowen7]

访问 https://bowencodes.com 以获得最佳体验

在百度或者 Google 搜索的时候，有时会小手一抖，打错了个别字母，比如我们想搜索apple，错打成了appel，但神奇的是，即使我们敲下回车，搜索引擎也会自动搜索apple而不是appel，这是怎么实现的呢？本文就将从头实现一个 JavaScript 版的拼写检查器

基础理论

首先，我们要确定如何量化敲错单词的概率，我们将原本想打出的单词设为 origin(O)，错打的单词设为 error(E)

由贝叶斯定理我们可知：P(O|E)=P(O)*P(E|O)/P(E)

P(O|E)是我们需要的结果，也就是在打出错误单词 E 的情况下，原本想打的单词是 O 的概率

P(O)我们可以看作是 O 出现的概率，是先验概率，这个我们可以从大量的语料环境中获取

P(E|O)是原本想打单词 O 却打成了 E 的概率，这个可以用最短编辑距离模拟概率，比如原本想打的单词是apple，打成applee(最短编辑距离为 1)的概率比appleee(最短编辑距离为 2)自然要大

P(E)由于我们已知 E，这个概念是固定的，而我们需要对比的是 P(O1|E)、P(O2|E)...P(On|E)的概率，不需要精确的计算值，我们可以不用管它

具体实现

这部分的实现我参考了natural的代码，传送门

首先是构造函数：

function SpellCheck(priorList) {
  //to do trie
  this.priorList = priorList;
  this.priorHash = {};
  priorList.forEach(item => {
    !this.priorHash[item] && (this.priorHash[item] = 0);
    this.priorHash[item]++;
  });
}

priorList是语料库，在构造函数中我们对 priorList 中的单词进行了出现次数的统计，这也就可以被我们看作是先验概率 P(O)

接下来是 check 函数，用来检测这个单词是否在语料库中出现

SpellCheck.prototype.check = function(word) {
  return this.priorList.indexOf(word) !== -1;
};

然后我们需要获取单词指定编辑距离内的所有可能性：

SpellCheck.prototype.getWordsByMaxDistance = function(wordList, maxDistance) {
  if (maxDistance === 0) {
    return wordList;
  }
  const listLength = wordList.length;
  wordList[listLength] = [];
  wordList[listLength - 1].forEach(item => {
    wordList[listLength].push(...this.getWordsByOneDistance(item));
  });
  return this.getWordsByMaxDistance(wordList, maxDistance - 1);
};
SpellCheck.prototype.getWordsByOneDistance = function(word) {
  const alphabet = "abcdefghijklmnopqrstuvwxyz";
  let result = [];
  for (let i = 0; i < word.length + 1; i++) {
    for (let j = 0; j < alphabet.length; j++) {
      //插入
      result.push(word.slice(0, i) + alphabet[j] + word.slice(i, word.length));
      //替换
      if (i > 0) {
        result.push(
          word.slice(0, i - 1) + alphabet[j] + word.slice(i, word.length)
        );
      }
    }
    if (i > 0) {
      //删除
      result.push(word.slice(0, i - 1) + word.slice(i, word.length));
      //前后替换
      if (i < word.length) {
        result.push(
          word.slice(0, i - 1) +
            word[i] +
            word[i - 1] +
            word.slice(i + 1, word.length)
        );
      }
    }
  }
  return result.filter((item, index) => {
    return index === result.indexOf(item);
  });
};

wordList 是一个数组，它的第一项是只有原始单词的数组，第二项是存放距离原始单词编辑距离为 1 的单词数组，以此类推，直到到达了指定的最大编辑距离 maxDistance

以下四种情况被视为编辑距离为 1:

• 插入一项，比如ab->abc
• 替换一项，比如ab->ac
• 删除一项，比如ab->a
• 前后替换，比如ab->ba

获取了所有在指定编辑距离的单词候选集，再比较它们的先验概率：

SpellCheck.prototype.getCorrections = function(word, maxDistance = 1) {
  const candidate = this.getWordsByMaxDistance([[word]], maxDistance);
  let result = [];
  candidate
    .map(candidateList => {
      return candidateList
        .filter(item => this.check(item))
        .map(item => {
          return [item, this.priorHash[item]];
        })
        .sort((item1, item2) => item2[1] - item1[1])
        .map(item => item[0]);
    })
    .forEach(item => {
      result.push(...item);
    });
  return result.filter((item, index) => {
    return index === result.indexOf(item);
  });
};

最后得到的就是修正后的单词

我们来测试一下：

const spellCheck = new SpellCheck([
  "apple",
  "apples",
  "pear",
  "grape",
  "banana"
]);
spellCheck.getCorrectionsByCalcDistance("appel", 1); //[ 'apple' ]
spellCheck.getCorrectionsByCalcDistance("appel", 2); //[ 'apple', 'apples' ]

可以看到，在第一次测试的时候，我们指定了最大编辑距离为 1，输入了错误的单词appel，最后返回修正项apple；而在第二次测试时，将最大编辑距离设为 2，则返回了两个修正项

语料库较少的情况

上面的实现方法是先获取了单词所有指定编辑距离内的候选项，而在语料库单词较少的情况下，这种方法比较耗费时间，我们可以改成先获取语料库中符合指定最短编辑距离的单词

计算最短编辑距离是一种比较经典的动态规划(leetcode:72)，dp 即可。这里的计算最短编辑距离与 leetcode 的情况略有不同，需要多考虑一层临近字母左右替换的情况

leetcode 情况下的状态转换方程：

• dp[i][j]=0 i===0,j===0

• dp[i][j]=j i===0,j>0

• dp[i][j]=i j===0,i>0

• min(dp[i-1][j-1]+cost,dp[i-1][j]+1,dp[i][j-1]+1) i,j>0

其中当word1[i-1]===word2[j-1]时，cost 为 0，否则为 1

考虑临近字母左右替换的情况，则需要在 i>1,j>1 且word1[i - 2] === word2[j - 1]&&word1[i - 1] === word2[j - 2]为 true 的条件下，再作min(dp[i-1][j-1]+cost,dp[i-1][j]+1,dp[i][j-1]+1,dp[i-2][j-2]+1)

拿到语料库中符合指定最短编辑距离的单词在对先验概率作比较，代码如下：

SpellCheck.prototype.getCorrectionsByCalcDistance = function(
  word,
  maxDistance = 1
) {
  const candidate = [];
  for (let key in this.priorHash) {
    this.calcDistance(key, word) <= maxDistance && candidate.push(key);
  }
  return candidate
    .map(item => {
      return [item, this.priorHash[item]];
    })
    .sort((item1, item2) => item2[1] - item1[1])
    .map(item => item[0]);
};
SpellCheck.prototype.calcDistance = function(word1, word2) {
  const length1 = word1.length;
  const length2 = word2.length;
  let dp = [];
  for (let i = 0; i <= length1; i++) {
    dp[i] = [];
    for (let j = 0; j <= length2; j++) {
      if (i === 0) {
        dp[i][j] = j;
        continue;
      }
      if (j === 0) {
        dp[i][j] = i;
        continue;
      }
      const replaceCost =
        dp[i - 1][j - 1] + (word1[i - 1] === word2[j - 1] ? 0 : 1);
      let transposeCost = Infinity;
      if (
        i > 1 &&
        j > 1 &&
        word1[i - 2] === word2[j - 1] &&
        word1[i - 1] === word2[j - 2]
      ) {
        transposeCost = dp[i - 2][i - 2] + 1;
      }
      dp[i][j] = Math.min(
        replaceCost,
        transposeCost,
        dp[i - 1][j] + 1,
        dp[i][j - 1] + 1
      );
    }
  }
  return dp[length1][length2];
};

最后

这份代码还有很多可以优化的地方，比如 check 函数使用的是 indexOf 判断单词是否在语料库中出现，我们可以改用单词查找树(Trie)或者 hash 的方式加速查询