SRILM的安装与使用

安装
      SRILM是一个统计和分析语言模型的工具，提供一些命令行工具，如ngram,ngram-count，可以很方便的统计NGRAM的语言模型。
1、安装依赖包
c/c++ compiler，GNU make，GNU gawk，GNU gzip，bzip2，P7zip，csh，Tcl。
 Tcl 可嵌入式脚本语言。用于脚本编程和测试，这里是为了SRILM的测试。
下载地址 http://www.tcl.tk/software/tcltk/
解压 进入unix目录
./configure --prefix=/usr/local
make
make install
完成测试
make test
或命令行输入
tclsh
% exit
2、安装srilm
1、下载SRILM压缩包
下载链接为http://www.speech.sri.com/projects/srilm/download.html 当前版本为1.7.2,创建安装的目录，假设安装目录为：/home/xxx/srilm-1.7.2

2、修改Makefile文件（srilm-1.7.2目录下）

(a) 找到此行： # SRILM = /home/speech/stolcke/project/srilm/devel，另起一行输入srilm的安装路径，SRILM = /home/xxx/srilm-1.7.2
(b) 找到此行：MACHINE_TYPE := $(shell $(SRILM)/sbin/machine-type)，在其前加＃注释掉，并另起一行输入：          MACHINE_TYPE := i686-gcc4。

注：此行告诉Makefile之后要使用/home/xxx/srilm-1.7.2/common /Makefile.machine.i686-gcc4文件中的配置。通过 uname -m 命令可以查询机器架构是i686，如果系统是 64 位的，请改为 i686-m64，同时也可能需要修改相应的 sbin/machine-type


3、修改上述Makefile中所提到的/home/xxx/srilm-1.7.2/common /Makefile.machine.i686-gcc4文件
(a)找到此行：   #GCC_FLAGS = -mtune=pentium3 -Wall -Wno-unused-variable -Wno-uninitialized，修改为               GCC_FLAGS = -mtune=generic -Wall -Wno-unused-variable -Wno-uninitialized

若CPU为AMD 64位，则可能需要修改为GCC_FLAGS = -march=athlon64 -m64 -Wreturn-type -Wimplicit
(b) 找到：TCL_INCLUDE =
          TCL_LIBRARY =

修改为：
          TCL_INCLUDE =  -I /user/local/include
          TCL_LIBRARY = -L /user/local/lib/tcl8.6

注：TCL配置须保证tcl已安装，若未安装，可添加   #NO_TCL = X


(c) 找到：GAWK = /usr/bin/awk

修改为：

         GAWK = /usr/bin/awk

注：各系统中（b）（c）的步骤安装情况可能不同，查找软件的安装位置，可使用命令：which is 个gwak等


4、编译工具

返回安装目录/home/xxx/srilm-1.7.2

在命令行输入：
    gnumake World    
   或 make World        (if the GNU version is the system default)

　顺利的话，srilm就编译通过了。如果出现问题，很可能就是相应的依赖工具没有装完全。


5、测试工具
在安装目录/home/xxx/srilm-1.7.2下，运行
    gnumake test
需要等待一段时间，如果出现都是 IDENTICAL，就证明 SRILM 编译成功了。运行顺利的话，会出现如下类似结果

*** Running test select-vocab ***
7.68user 0.06system 0:06.96elapsed 111%CPU (0avgtext+0avgdata 51728maxresident)k
0inputs+1944outputs (0major+12883minor)pagefaults 0swaps
select-vocab: stdout output IDENTICAL.
select-vocab: stderr output IDENTICAL.
make[1]: Leaving directory `/home/xxx/srilm/utils/test'

6、编译优化版本
在安装目录/home/xxx/srilm-1.7.2下，运行
    gnumake World OPTION=_c
    gnumake cleanest OPTION=_c
其中OPTION有多种参数可选择
    OPTION=_c    "compact" data structures
    OPTION=_s    "short" count representation
    OPTION=_l    "long long" count representation
    OPTION=_g    debuggable, non-optimized code
    OPTION=_p    profiling executables

使用
一、小数据

假设有去除特殊符号的训练文本trainfile.txt，以及测试文本testfile.txt，那么训练一个语言模型以及对其进行评测的步骤如下：

1：词频统计

      ngram-count -text trainfile.txt -order 3 -write trainfile.count

      其中-order 3为3-gram，trainfile.count为统计词频的文本

2：模型训练

      ngram-count -read trainfile.count -order 3 -lm trainfile.lm  -interpolate -kndiscount

      其中trainfile.lm为生成的语言模型，-interpolate和-kndiscount为插值与折回参数

3：测试（困惑度计算）

     ngram -ppl testfile.txt -order 3 -lm trainfile.lm -debug 2 > file.ppl

     其中testfile.txt为测试文本，-debug 2为对每一行进行困惑度计算，类似还有-debug 0 , -debug 1, -debug 3等，最后  将困惑度的结果输出到file.ppl。

二、大数据（BigLM）

对于大文本的语言模型训练不能使用上面的方法，主要思想是将文本切分，分别计算，然后合并。步骤如下：

1：切分数据

      split -l 10000 trainfile.txt filedir/

      即每10000行数据为一个新文本存到filedir目录下。

2：对每个文本统计词频

      make-bath-counts filepath.txt 1 cat ./counts -order 3

      其中filepath.txt为切分文件的全路径，可以用命令实现：ls $(echo $PWD)/* > filepath.txt，将统计的词频结果存放在counts目录下

3：合并counts文本并压缩

      merge-batch-counts ./counts

      不解释

4：训练语言模型

      make-big-lm -read ../counts/*.ngrams.gz -lm ../split.lm -order 3

     用法同ngram-counts

5: 测评（计算困惑度）

    ngram -ppl filepath.txt -order 3 -lm split.lm -debug 2 > file.ppl