鉴于此数据(两种语言的相对字母频率)：
spanish => 'e' => 13.72,'a' => 11.72,'o' => 8.44,'s' => 7.20,'n' => 6.83,english => 'e' => 12.60,'t' => 9.37,'a' => 8.34,'o' => 7.70,'n' => 6.80,
然后计算字符串“这是一个测试”的字母频率给了我：
"t"=>21.43,"s"=>14.29,"i"=>7.14,"r"=>7.14,"y"=>7.14,"'"=>7.14,"h"=>7.14,"e"=>7.14,"l"=>7.14
那么,将给定的字符串字母频率与语言匹配(并尝试检测语言)的好方法是什么？我已经看过(并测试过)使用levenshtein距离的一些例子,它似乎工作正常,直到你添加更多的语言.
"this is a test" gives (shortest distance:) [:english,13] ... "esto es una prueba" gives (shortest distance:) [:spanish,13] ...
解决方法
您是否考虑过使用
cosine similarity确定两个向量之间的相似度？
第一个矢量是从测试字符串中提取的字母频率(待分类),第二个矢量是特定语言.
您目前正在提取单个字母频率(unigrams).我建议提取更高阶的n-grams,如bigrams或trigrams(如果你有足够的训练数据,甚至更大).例如,对于双字母组合,您可以计算“aa”,“ab”,“ac”……“zz”的频率,这将允许您提取比仅考虑单个字符频率时更多的信息.
但要小心,因为当你使用更高阶的n-gram时你需要更多的训练数据,否则你将有许多0值用于你以前没有见过的字符组合.
另外,第二种可能性是使用tf-idf(term-frequency inverse-document-frequency)加权而不是纯字母(term)频率.
研究
这是一个很好的幻灯片language identification for (very) short texts,它使用机器学习分类器(但也有一些其他好的信息).
这是一篇简短的论文A Comparison of Language Identification Approaches on Short,Query-Style Texts,您可能也会发现它很有用.
