Расстояние Левенштейна - метрика, позволяющая оценить разность двух строк путем их посимвольного сравнения.
Алгоритм Вагнера-Фишера - базовый алгоритм, реализующий подсчет расстояния Левенштейна путем вычисления матрицы расстояний редактирования префиксов заданных последовательностей.
Алгоритм Хиршберга - алгоритм, реализующий подсчет расстояния Левенштейна путем реализации концепции "разделяй и властвуй" (divide and conquer), за счет чего обеспечивается экономичное использование памяти.
- Необходимо реализовать подсчет расстояния Левенштейна для сравнения двух строк на основе одного из двух алгоритмов, представленных в лекции:
- алгоритм Вагнера-Фишера - без возможности получения дополнительных баллов на защите по данному пункту;
- алгоритм Хиршберга - для возможности получения дополнительных баллов на защите по данному пункту.
- Требуется сформировать словарь токенов выбранного датасета (по результатам аннотации обучающей выборки, сформированным при выполнении первой лабораторной работы) и сохранить его во внешний файл в произвольном формате;
- На основе реализованного алгоритма реализовать модуль исправления опечаток с использованием словаря, сформированного на предыдущем шаге. При реализации модуля исправления опечаток рекомендуется также учитывать вероятность замены какого-либо символа на другой. Данная вероятность пропорциональна расстоянию между клавишами на клавиатуре с раскладкой
QWERTY; - Протестировать разработанный модуль на версии тестового датасета, в которую были искусственно внесены опечатки. Указанные версии тестового датасета доступны по данной ссылке, необходимо загрузить один файл, который соответствует выбранному датасету.
- Убедиться, что в результате работы модуля получается набор данных, содержащий меньшее количество опечаток относительно исходной версии тестовой выборки. Оценить качество работы реализованного модуля следующим образом:
- подсчитать общее количество токенов в тестовой выборке;
- подсчитать количество токенов, не содержащих опечаток, до и после работы модуля на искусственно модифицированной версии тестовой выборки. Для подсчета токенов, не содержащих опечаток, необходимо для всех документов из тестовой выборки попарно сравнить токены в двух сопоставляемых версиях. Поскольку не все документы тестовой выборки с опечатками содержат количество токенов, равное количеству токенов в соответствующем документе тестовой выборки без опечаток, то возможны два варианта обработки случаев, в которых количество токенов не совпадает:
- пропуск таких документов при подсчете количества токенов;
- выравнивание последовательностей токенов в двух документов, так что реализованный на первом шаге алгоритм потребуется применить дважды - сначала для поиска наиболее подходящего токена при исправлении опечаток, затем - для подсчета количества токенов, не содержащих опечаток при оценке эффективности разработанного модуля.
- разделить значения, полученные на предыдущем шаге, на общее количество токенов в тестовой выборке (в результате должно получиться два числа в интервале от 0 до 1, разница в которых отражает эффективность работы реализованного модуля).
- Если наборы данных не идентичны (модуль не позволяет исправить все опечатки) - объяснить случаи, в которых опечатки исправить не удалось.