1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
|
#include "ff_klm.h"
#include <cstring>
#include <iostream>
#include <boost/scoped_ptr.hpp>
#include "filelib.h"
#include "stringlib.h"
#include "hg.h"
#include "tdict.h"
#include "lm/model.hh"
#include "lm/enumerate_vocab.hh"
#include "lm/left.hh"
using namespace std;
// -x : rules include <s> and </s>
// -n NAME : feature id is NAME
bool ParseLMArgs(string const& in, string* filename, string* mapfile, bool* explicit_markers, string* featname) {
vector<string> const& argv=SplitOnWhitespace(in);
*explicit_markers = false;
*featname="LanguageModel";
*mapfile = "";
#define LMSPEC_NEXTARG if (i==argv.end()) { \
cerr << "Missing argument for "<<*last<<". "; goto usage; \
} else { ++i; }
for (vector<string>::const_iterator last,i=argv.begin(),e=argv.end();i!=e;++i) {
string const& s=*i;
if (s[0]=='-') {
if (s.size()>2) goto fail;
switch (s[1]) {
case 'x':
*explicit_markers = true;
break;
case 'm':
LMSPEC_NEXTARG; *mapfile=*i;
break;
case 'n':
LMSPEC_NEXTARG; *featname=*i;
break;
#undef LMSPEC_NEXTARG
default:
fail:
cerr<<"Unknown KLanguageModel option "<<s<<" ; ";
goto usage;
}
} else {
if (filename->empty())
*filename=s;
else {
cerr<<"More than one filename provided. ";
goto usage;
}
}
}
if (!filename->empty())
return true;
usage:
cerr << "KLanguageModel is incorrect!\n";
return false;
}
template <class Model>
string KLanguageModel<Model>::usage(bool /*param*/,bool /*verbose*/) {
return "KLanguageModel";
}
namespace {
struct VMapper : public lm::ngram::EnumerateVocab {
VMapper(vector<lm::WordIndex>* out) : out_(out), kLM_UNKNOWN_TOKEN(0) { out_->clear(); }
void Add(lm::WordIndex index, const StringPiece &str) {
const WordID cdec_id = TD::Convert(str.as_string());
if (cdec_id >= out_->size())
out_->resize(cdec_id + 1, kLM_UNKNOWN_TOKEN);
(*out_)[cdec_id] = index;
}
vector<lm::WordIndex>* out_;
const lm::WordIndex kLM_UNKNOWN_TOKEN;
};
#pragma pack(push)
#pragma pack(1)
struct BoundaryAnnotatedState {
lm::ngram::ChartState state;
bool seen_bos, seen_eos;
};
#pragma pack(pop)
template <class Model> class BoundaryRuleScore {
public:
BoundaryRuleScore(const Model &m, BoundaryAnnotatedState &state) :
back_(m, state.state),
bos_(state.seen_bos),
eos_(state.seen_eos),
penalty_(0.0),
end_sentence_(m.GetVocabulary().EndSentence()) {
bos_ = false;
eos_ = false;
}
void BeginSentence() {
back_.BeginSentence();
bos_ = true;
}
void BeginNonTerminal(const BoundaryAnnotatedState &sub) {
back_.BeginNonTerminal(sub.state, 0.0f);
bos_ = sub.seen_bos;
eos_ = sub.seen_eos;
}
void NonTerminal(const BoundaryAnnotatedState &sub) {
back_.NonTerminal(sub.state, 0.0f);
// cdec only calls this if there's content.
if (sub.seen_bos) {
bos_ = true;
penalty_ -= 100.0f;
}
if (eos_) penalty_ -= 100.0f;
eos_ |= sub.seen_eos;
}
void Terminal(lm::WordIndex word) {
back_.Terminal(word);
if (eos_) penalty_ -= 100.0f;
if (word == end_sentence_) eos_ = true;
}
float Finish() {
return penalty_ + back_.Finish();
}
private:
lm::ngram::RuleScore<Model> back_;
bool &bos_, &eos_;
float penalty_;
lm::WordIndex end_sentence_;
};
} // namespace
template <class Model>
class KLanguageModelImpl {
public:
double LookupWords(const TRule& rule, const vector<const void*>& ant_states, double* oovs, void* remnant) {
*oovs = 0;
const vector<WordID>& e = rule.e();
BoundaryRuleScore<Model> ruleScore(*ngram_, *static_cast<BoundaryAnnotatedState*>(remnant));
unsigned i = 0;
if (e.size()) {
if (e[i] == kCDEC_SOS) {
++i;
ruleScore.BeginSentence();
} else if (e[i] <= 0) { // special case for left-edge NT
ruleScore.BeginNonTerminal(*static_cast<const BoundaryAnnotatedState*>(ant_states[-e[0]]));
++i;
}
}
for (; i < e.size(); ++i) {
if (e[i] <= 0) {
ruleScore.NonTerminal(*static_cast<const BoundaryAnnotatedState*>(ant_states[-e[i]]));
} else {
const WordID cdec_word_or_class = ClassifyWordIfNecessary(e[i]); // in future,
// maybe handle emission
const lm::WordIndex cur_word = MapWord(cdec_word_or_class); // map to LM's id
if (cur_word == 0) (*oovs) += 1.0;
ruleScore.Terminal(cur_word);
}
}
double ret = ruleScore.Finish();
static_cast<BoundaryAnnotatedState*>(remnant)->state.ZeroRemaining();
return ret;
}
// this assumes no target words on final unary -> goal rule. is that ok?
// for <s> (n-1 left words) and (n-1 right words) </s>
double FinalTraversalCost(const void* state_void, double* oovs) {
const BoundaryAnnotatedState &annotated = *static_cast<const BoundaryAnnotatedState*>(state_void);
if (add_sos_eos_) { // rules do not produce <s> </s>, so do it here
assert(!annotated.seen_bos);
assert(!annotated.seen_eos);
lm::ngram::ChartState cstate;
lm::ngram::RuleScore<Model> ruleScore(*ngram_, cstate);
ruleScore.BeginSentence();
ruleScore.NonTerminal(annotated.state, 0.0f);
ruleScore.Terminal(kEOS_);
return ruleScore.Finish();
} else { // rules DO produce <s> ... </s>
double ret = 0.0;
if (!annotated.seen_bos) ret -= 100.0;
if (!annotated.seen_eos) ret -= 100.0;
return ret;
}
}
// if this is not a class-based LM, returns w untransformed,
// otherwise returns a word class mapping of w,
// returns TD::Convert("<unk>") if there is no mapping for w
WordID ClassifyWordIfNecessary(WordID w) const {
if (word2class_map_.empty()) return w;
if (w >= word2class_map_.size())
return kCDEC_UNK;
else
return word2class_map_[w];
}
// converts to cdec word id's to KenLM's id space, OOVs and <unk> end up at 0
lm::WordIndex MapWord(WordID w) const {
if (w >= cdec2klm_map_.size())
return 0;
else
return cdec2klm_map_[w];
}
public:
KLanguageModelImpl(const string& filename, const string& mapfile, bool explicit_markers) :
kCDEC_UNK(TD::Convert("<unk>")) ,
kCDEC_SOS(TD::Convert("<s>")) ,
add_sos_eos_(!explicit_markers) {
{
VMapper vm(&cdec2klm_map_);
lm::ngram::Config conf;
conf.enumerate_vocab = &vm;
ngram_ = new Model(filename.c_str(), conf);
}
order_ = ngram_->Order();
cerr << "Loaded " << order_ << "-gram KLM from " << filename << " (MapSize=" << cdec2klm_map_.size() << ")\n";
// special handling of beginning / ending sentence markers
kSOS_ = MapWord(kCDEC_SOS);
assert(kSOS_ > 0);
kEOS_ = MapWord(TD::Convert("</s>"));
assert(kEOS_ > 0);
assert(MapWord(kCDEC_UNK) == 0); // KenLM invariant
// handle class-based LMs (unambiguous word->class mapping reqd.)
if (mapfile.size())
LoadWordClasses(mapfile);
}
void LoadWordClasses(const string& file) {
ReadFile rf(file);
istream& in = *rf.stream();
string line;
vector<WordID> dummy;
int lc = 0;
cerr << " Loading word classes from " << file << " ...\n";
AddWordToClassMapping_(TD::Convert("<s>"), TD::Convert("<s>"));
AddWordToClassMapping_(TD::Convert("</s>"), TD::Convert("</s>"));
while(in) {
getline(in, line);
if (!in) continue;
dummy.clear();
TD::ConvertSentence(line, &dummy);
++lc;
if (dummy.size() != 2) {
cerr << " Format error in " << file << ", line " << lc << ": " << line << endl;
abort();
}
AddWordToClassMapping_(dummy[0], dummy[1]);
}
}
void AddWordToClassMapping_(WordID word, WordID cls) {
if (word2class_map_.size() <= word) {
word2class_map_.resize((word + 10) * 1.1, kCDEC_UNK);
assert(word2class_map_.size() > word);
}
if(word2class_map_[word] != kCDEC_UNK) {
cerr << "Multiple classes for symbol " << TD::Convert(word) << endl;
abort();
}
word2class_map_[word] = cls;
}
~KLanguageModelImpl() {
delete ngram_;
}
int ReserveStateSize() const { return sizeof(BoundaryAnnotatedState); }
private:
const WordID kCDEC_UNK;
const WordID kCDEC_SOS;
lm::WordIndex kSOS_; // <s> - requires special handling.
lm::WordIndex kEOS_; // </s>
Model* ngram_;
const bool add_sos_eos_; // flag indicating whether the hypergraph produces <s> and </s>
// if this is true, FinalTransitionFeatures will "add" <s> and </s>
// if false, FinalTransitionFeatures will score anything with the
// markers in the right place (i.e., the beginning and end of
// the sentence) with 0, and anything else with -100
int order_;
vector<lm::WordIndex> cdec2klm_map_;
vector<WordID> word2class_map_; // if this is a class-based LM, this is the word->class mapping
};
template <class Model>
KLanguageModel<Model>::KLanguageModel(const string& param) {
string filename, mapfile, featname;
bool explicit_markers;
if (!ParseLMArgs(param, &filename, &mapfile, &explicit_markers, &featname)) {
abort();
}
try {
pimpl_ = new KLanguageModelImpl<Model>(filename, mapfile, explicit_markers);
} catch (std::exception &e) {
std::cerr << e.what() << std::endl;
abort();
}
fid_ = FD::Convert(featname);
oov_fid_ = FD::Convert(featname+"_OOV");
// cerr << "FID: " << oov_fid_ << endl;
SetStateSize(pimpl_->ReserveStateSize());
}
template <class Model>
Features KLanguageModel<Model>::features() const {
return single_feature(fid_);
}
template <class Model>
KLanguageModel<Model>::~KLanguageModel() {
delete pimpl_;
}
template <class Model>
void KLanguageModel<Model>::TraversalFeaturesImpl(const SentenceMetadata& /* smeta */,
const Hypergraph::Edge& edge,
const vector<const void*>& ant_states,
SparseVector<double>* features,
SparseVector<double>* estimated_features,
void* state) const {
double est = 0;
double oovs = 0;
features->set_value(fid_, pimpl_->LookupWords(*edge.rule_, ant_states, &oovs, state));
if (oovs && oov_fid_)
features->set_value(oov_fid_, oovs);
}
template <class Model>
void KLanguageModel<Model>::FinalTraversalFeatures(const void* ant_state,
SparseVector<double>* features) const {
double oovs = 0;
double lm = pimpl_->FinalTraversalCost(ant_state, &oovs);
features->set_value(fid_, lm);
if (oov_fid_ && oovs)
features->set_value(oov_fid_, oovs);
}
template <class Model> boost::shared_ptr<FeatureFunction> CreateModel(const std::string ¶m) {
KLanguageModel<Model> *ret = new KLanguageModel<Model>(param);
ret->Init();
return boost::shared_ptr<FeatureFunction>(ret);
}
boost::shared_ptr<FeatureFunction> KLanguageModelFactory::Create(std::string param) const {
using namespace lm::ngram;
std::string filename, ignored_map;
bool ignored_markers;
std::string ignored_featname;
ParseLMArgs(param, &filename, &ignored_map, &ignored_markers, &ignored_featname);
ModelType m;
if (!RecognizeBinary(filename.c_str(), m)) m = HASH_PROBING;
switch (m) {
case HASH_PROBING:
return CreateModel<ProbingModel>(param);
case TRIE_SORTED:
return CreateModel<TrieModel>(param);
case ARRAY_TRIE_SORTED:
return CreateModel<ArrayTrieModel>(param);
case QUANT_TRIE_SORTED:
return CreateModel<QuantTrieModel>(param);
case QUANT_ARRAY_TRIE_SORTED:
return CreateModel<QuantArrayTrieModel>(param);
default:
UTIL_THROW(util::Exception, "Unrecognized kenlm binary file type " << (unsigned)m);
}
}
std::string KLanguageModelFactory::usage(bool params,bool verbose) const {
return KLanguageModel<lm::ngram::Model>::usage(params, verbose);
}
|