srilm安装及ngram-count简单使用

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，下载

我开始在这个站上下载，感觉很慢。 http://www.speech.sri.com/projects/srilm/download.html。 然后直接换了个站下载，直接下载1.5版本的。

wget ftp://ftp.speech.sri.com/pub/people/stolcke/srilm/srilm-1.5.7.tar.gz 。这个版本也不低，现在最高的版本是1.7.

2，安装

我的机器是64位的。

安装这个包依赖于TCL包，TCL的下载地址是：http://www.tcl.tk/software/tcltk/download.html（这个包的安装，很常规，解压后，进入unix目录，下面就有configure文件了）

安装srilm过程：

1. export SRILM=`pwd`。
   
2. make MACHINE_TYPE=i686-m64。
   
3. 如果提示找不到TCL库之类的错误，就修改Makefile文件，里面有  TCL_INCLUDE 与 TCL_LIBRARY 两个变量 ，比如可以分别设为-I/usr/local/include 以及 -L/usr/local/tcl8.5
4. 进入test目录试一下，cd test ; make all .

这就编译完了，现在的命令行程序都在./bin/i686-m64/目录，我简单的把这个路径加到PATH里面去了。

3，测试

新建一个文本文件，如source.txt，随便搞个内容，如下：

[root@localhost lm]# cat source.txt If you do want to use SRILM or are generally interested in it, please consider joining the SRILM user mailing list.[root@localhost lm]#

然后执行命令

ngram-count -text source.txt -lm source.lm

这就会建立基于source.txt的统计语言模型了，存储在source.lm中，如下：

[root@localhost lm]# cat source.lm \data\ngram 1=22ngram 2=22ngram 3=0\1-grams:-1.341524</s>-99<s>-99-1.341524If-99-1.050479SRILM-7.440329-1.341524are-99-1.341524consider-99-1.341524do-99-1.341524generally-99-1.341524in-99-1.341524interested-99-1.341524it,-99-1.341524joining-99-1.341524list.-99-1.341524mailing-99-1.341524or-99-1.341524please-99-1.341524the-99-1.341524to-99-1.341524use-99-1.341524user-99-1.341524want-99-1.341524you-99\2-grams:0<s> If0If you-0.30103SRILM or-0.30103SRILM user0are generally0consider joining0do want0generally interested0in it,0interested in0it, please0joining the0list. </s>0mailing list.0or are0please consider0the SRILM0to use0use SRILM0user mailing0want to0you do\3-grams:\end\[root@localhost lm]# 

如果希望只针对指定的词进行统计，就建立一个词列表文件，如source.dict

[root@localhost lm]# cat source.dict youarelistplease[root@localhost lm]#

这样的话，等下就只是统计这四个单词。执行命令：

ngram-count -text source.txt -lm source.lm -vocab source.dict 

结果如下：

[root@localhost lm]# cat source.lm \data\ngram 1=6ngram 2=0ngram 3=0\1-grams:-0.60206</s>-99<s>-0.60206are-7.180781list-0.60206please-0.60206you\2-grams:\3-grams:\end\[root@localhost lm]#

没有2-grams，修改source.dict，使其可以出现2-grams语法，如下：

[root@localhost lm]# cat source.dict youdomailingarelistplease[root@localhost lm]# 

再执行ngram-count，结果如下：

[root@localhost lm]# cat source.lm \data\ngram 1=8ngram 2=1ngram 3=0\1-grams:-0.7781513</s>-99<s>-0.7781513are-0.7781513do-7.269613list-0.7781513mailing-0.7781513please-0.7781513you-99\2-grams:0you do\3-grams:\end\[root@localhost lm]#

此时,you do作为一个2-gram出现，表示you 后面有do出现的概率。