Windows環境のPythonでN-gram生成ツール SRILM を使う方法

SRILMのインストール手順

1.SRILMのインストール

今回はCygwin環境にSRILMをインストールします。
Cygwinの設定は前回の記事（Windows環境のPythonで形態素解析器 -- ChaSen -- を使う方法）を参照

SRILMのダウンロードはこちらから（今回は srilm-1.7.3.tar.gz を使用しています。）

Cygwin64の直下に「srilm」というフォルダを作成

cd /
mkdir srilm
cd srilm

作成したフォルダにダウンロードしたsrilm-1.7.3.tar.gzをコピーする。
そして、作成したフォルダ内でsrilm-1.7.3.tar.gzを解凍する。

tar zxvf srilm-1.7.3.tar.gz

解凍したフォルダ内の「Makefile」を開き、次の行を見つける。

# SRILM = /home/speech/stolcke/project/srilm/devel

見つけた行を次のように書き換え、保存する。

SRILM = /srilm

Cygwinに戻り、次のように実行する。

make

2.SRILMの実行

「ngram」や「ngram-count」の実行ファイルがあるフォルダに移動する。

cd bin/cygwin64/

次のように実行する。

./ngram-count -text [input_corpus] -lm [output_language_model] -order 3 -write [output_ngram]

input_corpus：入力するファイル（文章から単語をスペースで区切ったもの）
output_language_model：出力する言語モデルのファイル名
output_ngram：出力するN-gramのファイル名

コマンドプロンプトでSRILMを実行

環境変数の変更方法は前回の記事（Windows環境のPythonで形態素解析器 -- ChaSen -- を使う方法）を参照

Windowsのコマンドプロンプトを開く。
次のように実行する。

C:\cygwin64\srilm\bin\cygwin64\ngram-count -text [input_corpus] -lm [output_language_model] -order 3 -write [output_ngram]

Cygwinの時と同じ結果が出力されればOK。

PythonでSRILMを実行

ソースコードを以下に載せております。

srilm.py

import subprocess
import os

def srilm(srilm_path, input_corpus, output_language_model, output_ngram):
    path = os.getcwd().replace(os.sep,'/')+"/" # 実行中のパス取得
    cmd = "{0} -text {1} -lm {2} -order 3 -write {3}".format(srilm_path, path+input_corpus, path+output_language_model, path+output_ngram)
    proc = subprocess.Popen(cmd, shell=True, stdin=subprocess.PIPE, stdout=subprocess.PIPE, stderr=subprocess.PIPE)
    stdout, stderr = proc.communicate()

if __name__ == '__main__':
    srilm_path = "C:/cygwin64/srilm/bin/cygwin64/ngram-count"
    input_corpus = "corpus.txt"
    output_language_model = "lm.txt"
    output_ngram = "count.txt"

    srilm(srilm_path, input_corpus, output_language_model, output_ngram)

コマンドプロンプトで実行した時と同じ結果が出力されればOK。
以上、Windows環境のPythonでSRILMを使う方法でした。

参考にしたページ