Blame view

tools/lia_ltbox/lia_phon/src/libgram/compile_gram.c 14 KB
e6be5137b   Jean-François Rey   reinitialized pro...
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
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
  /*
      --------------------------------------------------------
      LIA_PHON : Un systeme complet de phonetisation de textes
      --------------------------------------------------------
  
      Copyright (C) 2001 FREDERIC BECHET
  
      ..................................................................
  
      This file is part of LIA_PHON
  
      LIA_PHON is free software; you can redistribute it and/or modify
      it under the terms of the GNU General Public License as published by
      the Free Software Foundation; either version 2 of the License, or
      (at your option) any later version.
  
      This program is distributed in the hope that it will be useful,
      but WITHOUT ANY WARRANTY; without even the implied warranty of
      MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
      GNU General Public License for more details.
  
      You should have received a copy of the GNU General Public License
      along with this program; if not, write to the Free Software
      Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA 02111-1307 USA
      ..................................................................
  
      For any publication related to scientific work using LIA_PHON,
      the following reference paper must be mentioned in the bibliography: 
          
      Bechet F., 2001, "LIA_PHON - Un systeme complet de phonetisation
      de textes", revue Traitement Automatique des Langues (T.A.L.)
      volume 42, numero 1/2001, edition Hermes
      ..................................................................
                                
      Contact :
                FREDERIC BECHET - LIA - UNIVERSITE D'AVIGNON
                AGROPARC BP1228 84911  AVIGNON  CEDEX 09  FRANCE
                frederic.bechet@lia.univ-avignon.fr
      ..................................................................
  */
  /*  Compile un fichier ARPA 2 ou 3 gram  */
  /*  FRED 0498  :  Modif Multi ML - 0399  */
  
  #include <libgram.h>
  
  /*................................................................*/
  
  /*  Diver  */
  
  #define TailleLigne	400
  
  void ERREUR(char *ch )
  {
  fprintf(stderr,"ERREUR : %s
  ",ch);
  exit(0);
  }
  
  void ERREUR2(char *ch1 ,char *ch2 )
  {
  fprintf(stderr,"ERREUR : %s %s
  ",ch1,ch2);
  exit(0);
  }
  
  /*................................................................*/
  
  /* Recherche des nombres premiers */
  
  /* renvoi le premier nombre premier superieur
     a un nombre donne en argument */
  
  #define MaxPrem	100000
  
  long PremPremier(long maxi )
  {
  long *TablPrem,nbprem,n,i,limite,last;
  
  TablPrem=(long*)malloc(sizeof(long)*MaxPrem);
  limite=(long)ceil(sqrt((double)maxi));
  last=1;
  nbprem=0;
  for (n=2;last<maxi;n++)
   {
   for(i=0;(i<nbprem)&&(n%TablPrem[i]!=0);i++);
   if (i==nbprem)
    {
    if (nbprem==MaxPrem-1) { fprintf(stderr,"MaxPrem trop petit !!
  "); exit(0); }
    last=n;
    if (n<=limite) TablPrem[nbprem++]=n;
    }
   }
  free(TablPrem);
  
  if (last==maxi) last=PremPremier(maxi+1); /* pour le cas ou maxi est deja premier !! */
  /*printf("Le premier nombre premier superieur a %d est %d
  ",maxi,last);*/
  return last;
  }
  
  /*................................................................*/
  
  /*  Remplissage des NGrams  */
  
  int Range1Gram(wrd_index_t i_mot ,flogprob_t lp ,flogprob_t fr ,ty_ml pt_ml)
  {
  wrd_index_t essai,indice,valh1,valh2;
  
  indice=valh1=H1Value(i_mot,pt_ml);
  valh2=Double1H(i_mot,pt_ml);
  for (essai=1;(indice<=pt_ml->NB1GRAM)&&(essai<=pt_ml->NB1GRAM)&&
  	(Case1Vide(indice,pt_ml)==0)&&(!SiEgal1(i_mot,indice,pt_ml));essai++)
   indice=EssaiSuivant(valh1,valh2,essai,pt_ml->NB1GRAM);
  
  if (indice>pt_ml->NB1GRAM) { fprintf(stderr,"HOLA1 : indice=%ld
  ",indice); exit(0); }
  
  if (essai>pt_ml->NB1GRAM) ERREUR("Le tableau de 1-gram est plein ....
  ");
  
  if (Case1Vide(indice,pt_ml)==0) return 0; /* le 1-gram etait deja present */
  
  pt_ml->TABL1GRAM[indice].cle[0]=BYTE1(i_mot);
  pt_ml->TABL1GRAM[indice].cle[1]=BYTE2(i_mot);
  pt_ml->TABL1GRAM[indice].cle[2]=BYTE3(i_mot);
  
  pt_ml->TABL1GRAM[indice].lp=lp;
  pt_ml->TABL1GRAM[indice].fr=fr;
  
  return 1;
  }
  
  int Range2Gram(wrd_index_t i_mot1 ,wrd_index_t i_mot2 ,flogprob_t lp ,flogprob_t fr ,ty_ml pt_ml)
  {
  wrd_index_t essai,indice,valh1,valh2;
  
  indice=valh1=H2Value(i_mot1,i_mot2,pt_ml);
  valh2=Double2H(i_mot1,i_mot2,pt_ml);
  
  /*printf("********************************
  ");*/
  for (essai=1;(indice<=pt_ml->NB2GRAM)&&(essai<=pt_ml->NB2GRAM)&&
  	(Case2Vide(indice,pt_ml)==0)&&(!SiEgal2(i_mot1,i_mot2,indice,pt_ml));essai++)
   {
   /*printf("%d = indice ; essai=%d/%d XXXX
  ",indice,essai,pt_ml->NB2GRAM);*/
  
   indice=EssaiSuivant(valh1,valh2,essai,pt_ml->NB2GRAM);
   }
  
  if (indice>pt_ml->NB2GRAM) { fprintf(stderr,"HOLA2 : indice=%ld
  ",indice); exit(0); }
  
  if (essai>pt_ml->NB2GRAM) ERREUR("Le tableau de 2-gram est plein ....
  ");
  
  if (Case2Vide(indice,pt_ml)==0) return 0; /* le 2-gram etait deja present */
  
  pt_ml->TABL2GRAM[indice].cle[0]=BYTE1(i_mot1);
  pt_ml->TABL2GRAM[indice].cle[1]=BYTE2(i_mot1);
  pt_ml->TABL2GRAM[indice].cle[2]=BYTE3(i_mot1);
  
  pt_ml->TABL2GRAM[indice].cle[3]=BYTE1(i_mot2);
  pt_ml->TABL2GRAM[indice].cle[4]=BYTE2(i_mot2);
  pt_ml->TABL2GRAM[indice].cle[5]=BYTE3(i_mot2);
  
  pt_ml->TABL2GRAM[indice].lp=lp;
  pt_ml->TABL2GRAM[indice].fr=fr;
  
  return 1;
  }
  
  int Range3Gram(wrd_index_t i_mot1 ,wrd_index_t i_mot2 ,wrd_index_t i_mot3 ,flogprob_t lp ,ty_ml pt_ml)
  {
  wrd_index_t essai,indice,valh1,valh2;
  
  indice=valh1=H3Value(i_mot1,i_mot2,i_mot3,pt_ml);
  valh2=Double3H(i_mot1,i_mot2,i_mot3,pt_ml);
  for (essai=1;(indice<=pt_ml->NB3GRAM)&&(essai<=pt_ml->NB3GRAM)&&
  	(Case3Vide(indice,pt_ml)==0)&&(!SiEgal3(i_mot1,i_mot2,i_mot3,indice,pt_ml));essai++)
   indice=EssaiSuivant(valh1,valh2,essai,pt_ml->NB3GRAM);
  
  if (essai>pt_ml->NB3GRAM) ERREUR("Le tableau de 3-gram est plein ....
  ");
  
  if (indice>pt_ml->NB3GRAM) { fprintf(stderr,"HOLA3 : indice=%ld
  ",indice); exit(0); }
  
  if (Case3Vide(indice,pt_ml)==0) { fprintf(stderr,"3-gram deja present
  "); return 0; } /* le 3-gram etait deja present */
  
  pt_ml->TABL3GRAM[indice].cle[0]=BYTE1(i_mot1);
  pt_ml->TABL3GRAM[indice].cle[1]=BYTE2(i_mot1);
  pt_ml->TABL3GRAM[indice].cle[2]=BYTE3(i_mot1);
  
  pt_ml->TABL3GRAM[indice].cle[3]=BYTE1(i_mot2);
  pt_ml->TABL3GRAM[indice].cle[4]=BYTE2(i_mot2);
  pt_ml->TABL3GRAM[indice].cle[5]=BYTE3(i_mot2);
  
  pt_ml->TABL3GRAM[indice].cle[6]=BYTE1(i_mot3);
  pt_ml->TABL3GRAM[indice].cle[7]=BYTE2(i_mot3);
  pt_ml->TABL3GRAM[indice].cle[8]=BYTE3(i_mot3);
  
  pt_ml->TABL3GRAM[indice].lp=lp;
  
  return 1;
  }
  
  /*................................................................*/
  
  /*  Lecture et Sauvegarde des NGrams  */
  
  void SauveGram(char *chfich , ty_ml pt_ml)
  {
  FILE *file;
  char ch[TailleLigne];
  
  sprintf(ch,"%s.1g",chfich);
  if (!(file=fopen(ch,"wb"))) ERREUR2("je ne peux ouvrir",chfich);
  fwrite(pt_ml->TABL1GRAM,sizeof(type_1gram),(pt_ml->NB1GRAM+MARGE),file);
  fclose(file);
  sprintf(ch,"%s.2g",chfich);
  if (!(file=fopen(ch,"wb"))) ERREUR2("je ne peux ouvrir",chfich);
  fwrite(pt_ml->TABL2GRAM,sizeof(type_2gram),(pt_ml->NB2GRAM+MARGE),file);
  /*
  fprintf(stderr,"pt_ml->NB2GRAM+MARGE=%d sizeof(type_2gram)=%d total=%d
  ",pt_ml->NB2GRAM+MARGE,sizeof(type_2gram),
  	(pt_ml->NB2GRAM+MARGE)*sizeof(type_2gram));
  */
  fclose(file);
  
  if (pt_ml->GRAM_SI_2G==0)
   {
   sprintf(ch,"%s.3g",chfich);
   if (!(file=fopen(ch,"wb"))) ERREUR2("je ne peux ouvrir",chfich);
   fwrite(pt_ml->TABL3GRAM,sizeof(type_3gram),(pt_ml->NB3GRAM+MARGE),file);
   fclose(file);
   }
  }
  
  /*................................................................*/
  
  /*  Initialisation des NGrams  */
  
  ty_ml InitGram(char *nom_darpa ,char *nom_model ,double coef1 ,double coef2 ,double coef3 ,
  	int si_dicho ,int si_log_e,int si_2g)
  {
  FILE *file;
  long n,i,nb1,nb2,nb3,t1,t2,t3;
  char ch[TailleLigne];
  ty_ml pt_ml;
  
  if (!(file=fopen(nom_darpa,"r"))) ERREUR2("je ne peux ouvrir",nom_darpa);
  for(fgets(ch,TailleLigne,file);strncmp(ch+1,"data",4);fgets(ch,TailleLigne,file));
  /* on lit le nb d'1.2.3-gram */
  fgets(ch,TailleLigne,file); sscanf(ch,"ngram 1=%d",&nb1);
  fgets(ch,TailleLigne,file); sscanf(ch,"ngram 2=%d",&nb2);
  
  if (si_2g==0)
   {
   fgets(ch,TailleLigne,file);
   if (sscanf(ch,"ngram 3=%d",&nb3)<1)
    {
    fprintf(stderr,"ATTENTION : le fichier arpa est un bigramme !!!!
  ");
    exit(0);
    }
   }
  fclose(file);
  
  t1=PremPremier((long)((double)nb1/coef1));
  t2=PremPremier((long)((double)nb2/coef2));
  if (si_2g==0) t3=PremPremier((long)((double)nb3/coef2)); else t3=0;
  
  fprintf(stderr,"Nb de 1-gram : %ld  -  coef : %.2lf  -  Taille du tableau : %ld
  ",nb1,coef1,t1);
  fprintf(stderr,"Nb de 2-gram : %ld  -  coef : %.2lf  -  Taille du tableau : %ld
  ",nb2,coef2,t2);
  if (si_2g==0)
   fprintf(stderr,"Nb de 3-gram : %ld  -  coef : %.2lf  -  Taille du tableau : %ld
  ",nb3,coef3,t3);
  
  sprintf(ch,"%s.desc",nom_model);
  if (!(file=fopen(ch,"w"))) ERREUR2("je ne peux ecrire dans",nom_darpa);
  fprintf(file,"%ld %ld %ld
  ",t1,t2,t3);
  if (si_dicho) fprintf(file,"DICHOTOMIE
  "); else fprintf(file,"HASH
  ");
  if (si_log_e) fprintf(file,"LOG_E
  "); else fprintf(file,"LOG_10
  ");
  if (si_2g) fprintf(file,"BIGRAMME
  "); else fprintf(file,"TRIGRAMME
  ");
  fclose(file);
  
  /* on alloue le ML */
  pt_ml=cons_ml(t1,t2,t3,si_dicho?0:1,si_2g,si_log_e?0:1);
  
  for(n=0;n<(t1+MARGE);n++)
   {
   for(i=0;i<Nb1Byte-1;i++) pt_ml->TABL1GRAM[n].cle[i]=0;
   pt_ml->TABL1GRAM[n].cle[i]=(unsigned char)128;
   pt_ml->TABL1GRAM[n].lp=pt_ml->TABL1GRAM[n].fr=0;
   }
  for(n=0;n<(t2+MARGE);n++)
   {
   for(i=0;i<Nb2Byte-1;i++) pt_ml->TABL2GRAM[n].cle[i]=0;
   pt_ml->TABL2GRAM[n].cle[i]=(unsigned char)128;
   pt_ml->TABL2GRAM[n].lp=pt_ml->TABL2GRAM[n].fr=0;
   }
  
  if (si_2g==0)
   for(n=0;n<(t3+MARGE);n++)
    {
    for(i=0;i<Nb3Byte-1;i++) pt_ml->TABL3GRAM[n].cle[i]=0;
    pt_ml->TABL3GRAM[n].cle[i]=(unsigned char)128;
    pt_ml->TABL3GRAM[n].lp=0;
    }
  
  fprintf(stderr,"Taille necessaire au modele : %.2lf Mo
  ",(double)(sizeof(type_1gram)*(t1+MARGE)+
  	sizeof(type_2gram)*(t2+MARGE)+sizeof(type_3gram)*(t3+MARGE))/(double)(1024*1024));
  
  return pt_ml;
  }
  
  /*................................................................*/
  
  wrd_index_t mot2indice(char *mot,int si_code, ty_lexique pt_lexique)
  {
  wrd_index_t code;
  
  if (si_code)
   sscanf(mot,"%ld",&code);
  else
   if (!Mot2Code(mot,&code,pt_lexique))
    {
    fprintf(stderr,"Warning : %s inconnu !!
  ",mot);
    code=0;
    }
  return code;
  }
  
  /*  Lecture d'un fichier DARPA et rangement des n-grams  */
  
  void NextItem(char *ch ,char **pt ,char **ptnext )
  {
  int n;
  for(n=0;(ch[n])&&((ch[n]==' ')||(ch[n]=='\t'));n++);
  if (ch[n]=='\0') ERREUR2("Mauvaise chaine :",ch);
  *pt=ch;
  for(;(ch[n])&&(ch[n]!=' ')&&(ch[n]!='\t')&&(ch[n]!='
  ');n++);
  if (ch[n]=='\0') *ptnext=NULL; else *ptnext=ch+n+1;
  ch[n]='\0';
  }
  
  void LisFichDARPA(FILE *file , int si_log_e , int si_2g , int si_code, ty_ml pt_ml)
  {
  char ch[TailleLigne],*pt,*ptnext,*mot1,*mot2,*mot3;
  flogprob_t lp,fr;
  long i_mot1,i_mot2,i_mot3,nb1,nb2,nb3;
  
  nb1=nb2=nb3=0;
  for(fgets(ch,TailleLigne,file);strncmp(ch+1,"data",4);fgets(ch,TailleLigne,file));
  for(fgets(ch,TailleLigne,file);strncmp(ch+1,"1-grams:",8);fgets(ch,TailleLigne,file));
  for(fgets(ch,TailleLigne,file);ch[0]!='
  ';fgets(ch,TailleLigne,file))
   {
   NextItem(ch,&pt,&ptnext);
   sscanf(pt,"%f",&lp);
   if (si_log_e) lp=LOG10_2_LOGe(lp);
   if (ptnext==NULL) ERREUR2("Mauvaise Chaine :",ch);
   NextItem(ptnext,&mot1,&ptnext);
   if (ptnext==NULL) ERREUR2("Mauvaise Chaine :",ch);
   NextItem(ptnext,&pt,&ptnext);
   sscanf(pt,"%f",&fr);
   if (si_log_e) fr=LOG10_2_LOGe(fr);
   i_mot1=mot2indice(mot1,si_code,pt_ml->lexique);
   if (i_mot1<0) fprintf(stderr,"MOTINC : %s
  ",mot1);
   else if (Range1Gram(i_mot1,lp,fr,pt_ml)) nb1++;
   if (nb1%10000==0) fprintf(stderr,"  en cours -> %ld
  ",nb1);
   }
  fprintf(stderr,"On a lu %ld 1-gram
  ",nb1);
  fprintf(stderr,"Taux de remplissage : %.2f
  ",(float)nb1/(float)pt_ml->NB1GRAM);
  
  for(fgets(ch,TailleLigne,file);strncmp(ch+1,"2-grams:",8);fgets(ch,TailleLigne,file));
  for(fgets(ch,TailleLigne,file);ch[0]!='
  ';fgets(ch,TailleLigne,file))
   {
   NextItem(ch,&pt,&ptnext);
   sscanf(pt,"%f",&lp);
   if (si_log_e) lp=LOG10_2_LOGe(lp);
   if (ptnext==NULL) ERREUR2("Mauvaise Chaine :",ch);
   NextItem(ptnext,&mot1,&ptnext);
   if (ptnext==NULL) ERREUR2("Mauvaise Chaine :",ch);
   NextItem(ptnext,&mot2,&ptnext);
   if (ptnext==NULL) ERREUR2("Mauvaise Chaine :",ch);
  
   /* Que si modele 3 gram */
   fr=0.;
   if (si_2g==0)
    {
    NextItem(ptnext,&pt,&ptnext);
    if (sscanf(pt,"%f",&fr)<1)
     {
     fprintf(stderr,"ATTENTION : le fichier arpa est un bigramme !!!!
  ");
     exit(0);
     }
    if (si_log_e) fr=LOG10_2_LOGe(fr);
    }
  
   i_mot1=mot2indice(mot1,si_code,pt_ml->lexique);
   i_mot2=mot2indice(mot2,si_code,pt_ml->lexique);
   if (i_mot1<0) fprintf(stderr,"MOTINC : %s
  ",mot1);
   else
    if (i_mot2<0) fprintf(stderr,"MOTINC : %s
  ",mot2);
    else if (Range2Gram(i_mot1,i_mot2,lp,fr,pt_ml)) nb2++;
   if (nb2%50000==0) fprintf(stderr,"  en cours -> %ld
  ",nb2);
   }
  fprintf(stderr,"On a lu %ld 2-gram
  ",nb2);
  fprintf(stderr,"Taux de remplissage : %.2f
  ",(float)nb2/(float)pt_ml->NB2GRAM);
  
  if (si_2g==0)
   {
   for(fgets(ch,TailleLigne,file);strncmp(ch+1,"3-grams:",8);fgets(ch,TailleLigne,file));
   for(fgets(ch,TailleLigne,file);ch[0]!='
  ';fgets(ch,TailleLigne,file))
    {
    NextItem(ch,&pt,&ptnext);
    sscanf(pt,"%f",&lp);
    if (si_log_e) lp=LOG10_2_LOGe(lp);
    if (ptnext==NULL) ERREUR2("Mauvaise Chaine :",ch);
    NextItem(ptnext,&mot1,&ptnext);
    if (ptnext==NULL) ERREUR2("Mauvaise Chaine :",ch);
    NextItem(ptnext,&mot2,&ptnext);
    if (ptnext==NULL) ERREUR2("Mauvaise Chaine :",ch);
    NextItem(ptnext,&mot3,&ptnext);
  
    i_mot1=mot2indice(mot1,si_code,pt_ml->lexique);
    i_mot2=mot2indice(mot2,si_code,pt_ml->lexique);
    i_mot3=mot2indice(mot3,si_code,pt_ml->lexique);
    if (i_mot1<0) fprintf(stderr,"MOTINC : %s
  ",mot1);
    else
     if (i_mot2<0) fprintf(stderr,"MOTINC : %s
  ",mot2);
     else
      if (i_mot3<0) fprintf(stderr,"MOTINC : %s
  ",mot3);
      else if (Range3Gram(i_mot1,i_mot2,i_mot3,lp,pt_ml)) nb3++;
    if (nb3%50000==0) fprintf(stderr,"  en cours -> %ld
  ",nb3);
    }
   fprintf(stderr,"On a lu %ld 3-gram
  ",nb3);
   fprintf(stderr,"Taux de remplissage : %.2f
  ",(float)nb3/(float)pt_ml->NB3GRAM);
   }
  }
  
  /*................................................................*/
  
  /* Tri des tableaux de Hash pour la dichotomie */
  
  void SortHash(ty_ml pt_ml)
  {
  qsort(pt_ml->TABL1GRAM,pt_ml->NB1GRAM+MARGE,sizeof(type_1gram),H1compar);
  qsort(pt_ml->TABL2GRAM,pt_ml->NB2GRAM+MARGE,sizeof(type_2gram),H2compar);
  if (pt_ml->GRAM_SI_2G==0)
   qsort(pt_ml->TABL3GRAM,pt_ml->NB3GRAM+MARGE,sizeof(type_3gram),H3compar);
  }
   
  /*................................................................*/