train_lms.sh 817 B

12345678910111213141516171819202122232425
  1. #!/bin/bash
  2. ## Make sure that srilm is installed
  3. dir=lm
  4. mkdir -p $dir
  5. [ -f path.sh ] && . ./path.sh
  6. # Prepare data, the format of the text should be:
  7. # BAC009S0002W0122 而 对 楼市 成交 抑制 作用 最 大 的 限 购
  8. # BAC009S0002W0123 也 成为 地方 政府 的 眼中 钉
  9. corpus=lm/text
  10. # generate lm dict
  11. cat $corpus | awk '{for(n=2;n<=NF;n++) print tolower($n); }' | \
  12. cat - <(echo "<unk>";echo "<s>"; echo "</s>") | \
  13. sort | uniq -c | sort -nr | awk '{print $2}' > $dir/corpus.dict || exit 1;
  14. # train ngram
  15. cat $corpus | awk '{for(n=2;n<=NF;n++){ printf tolower($n); if(n<NF) printf " "; else print ""; }}' > $dir/train
  16. ngram-count -text $dir/train -order 4 -limit-vocab -vocab $dir/corpus.dict -unk \
  17. -kndiscount -interpolate -gt1min 1 -gt2min 1 -gt3min 2 -gt4min 2 -lm $dir/lm.arpa