如何计算字母频率相似度？

Question

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？我已经看到（并测试过）一些使用 levenshtein distance 的示例，在您添加更多语言之前，它似乎可以正常工作。

"this is a test" gives (shortest distance:) [:english, 13] ...
"esto es una prueba" gives (shortest distance:) [:spanish, 13] ...

Answer 1

您是否考虑过使用cosine similarity 来确定两个向量之间的相似度？

第一个向量是从测试字符串中提取的字母频率（待分类），第二个向量是针对特定语言的。

您目前正在提取单字母频率（unigrams）。我建议提取更高阶的n-grams，例如二元组或三元组（如果你有足够的训练数据，甚至更大）。例如，对于二元组，您将计算“aa”、“ab”、“ac”...“zz”的频率，这将允许您提取比仅考虑单个字符频率的更多信息。

但要小心，因为当您使用高阶 n-gram 时需要更多训练数据，否则您将获得许多以前从未见过的字符组合的 0 值。

另外，第二种可能性是使用tf-idf（词频逆文档频率）权重，而不是纯字母（词）频率。

研究

这是language identification for (very) short texts 上的一个很好的幻灯片，它使用机器学习分类器（但也有一些其他有用的信息）。

这是一篇简短的论文 A Comparison of Language Identification Approaches on Short, Query-Style Texts，您可能也会觉得有用。

Answer 2

您提供的示例均由一个简短的句子组成。统计数据表明，如果您的输入较长（例如一个段落，则唯一频率应该更容易识别。

如果您不能依赖用户提供更长的输入，那么如果字母频率匹配，也许还要寻找语言中的常用词（例如 is、as、and、but ...）？

Answer 3

n-graphs 肯定会对短文本有所帮助，而且帮助很大。对于任何合理长度的文本（一段？），简单的字母频率都可以很好地工作。例如，我写了一个简短的演示，您可以在http://georgeflanagin.com/free.code.php下载源代码

这是页面上的最后一个示例。