形码单字会根据词频改变候选词序 about pyim

[tumashu]

是呢，现在的规则是，第一个汉字永远是词库的第一个汉字，后面的会按照使用频率动态调整，我不知道这个规则合不合理

[lld2001]

对形码来说固定字序最好，词序我觉得可以调整。

[lld2001]

或者能否把这个排序方法暴露出来，形码特殊处理

[tumashu]

型码既涉及字词，又涉及个人词库，公共词库，感觉很绕脑袋，最好能找一个通用的算法，如果找不到，我就将相关函数劈来，方便你们 override

[tumashu]

或者添加一个选项来控制

[lld2001]

就我个人而言。如果全是字，按词库来。如果字词混合，字按库来排，词按频率。如果全是词，按频率。我记得有次讨论过了

[lld2001]

现在版本用 cl-lib 写后，看不太懂，不会 hack了。

[tumashu]

如果字词混合，字按库来排，词按频率

意思是先排字，后排词？ 还是先排词后排字？

[lld2001]

先按标准库排字。

[tumashu]

现在版本用 cl-lib 写后，看不太懂，不会 hack了。

基本上就是在你的配置中添加类似下面的代码

(cl-defmethod pyim-candidates-create
  :extra "lld2001hack" (imobjs (scheme pyim-scheme-xingma))
  "按照 SCHEME, 从 IMOBJS 获得候选词条，用于五笔仓颉等形码输入法。"
  (let (result)
    (dolist (imobj imobjs)
      (let* ((codes (pyim-codes-create imobj scheme))
             (last-code (car (last codes)))
             (other-codes (remove last-code codes))
             output prefix)

        ;; 如果 wubi/aaaa -> 工 㠭；wubi/bbbb -> 子 子子孙孙；wubi/cccc 又 叕；
        ;; 用户输入为： aaaabbbbcccc

        ;; 那么：
        ;; 1. codes       =>   ("wubi/aaaa" "wubi/bbbb" "wubi/cccc")
        ;; 2. last-code   =>   "wubi/cccc"
        ;; 3. other-codes =>   ("wubi/aaaa" "wubi/bbbb")
        ;; 4. prefix      =>   工子
        (when other-codes
          (setq prefix (mapconcat
                        (lambda (code)
                          (pyim-candidates-get-chief
                           scheme
                           (pyim-dcache-get code '(icode2word))
                           (pyim-dcache-get code '(code2word))))
                        other-codes "")))

        ;; 5. output => 工子又 工子叕
        (setq output
              (let* ((personal-words (pyim-dcache-get last-code '(icode2word)))
                     (personal-words (pyim-candidates--sort personal-words))
                     (common-words (pyim-dcache-get last-code '(code2word)))
                     (chief-word (pyim-candidates-get-chief scheme personal-words common-words))
                     (common-words (pyim-candidates--sort common-words))
                     (other-words (pyim-dcache-get last-code '(shortcode2word))))
                (mapcar (lambda (word)
                          (concat prefix word))
                        `(,chief-word
                          ,@personal-words
                          ,@common-words
                          ,@other-words))))
        (setq output (remove "" (or output (list prefix))))
        (setq result (append result output))))
    (when (car result)
      (delete-dups result))))

[lld2001]

这个怎么用啊？放在require 'pyim 后面吗？

搜索了下，大概明白了履盖的方法。但不知道怎么写这个逻辑，能不能麻烦你帮下忙

[tumashu]

我试着调整了一下，你可以再试试

(defun pyim-candidates--xingma-words (code)
  "按照形码 scheme 的规则，搜索 CODE, 得到相应的词条列表。

当前的词条的构建规则是：
1. 先排公共词库中的字。
2. 然后再排所有词库中的词，词会按词频动态调整。"
  (let* ((common-words (pyim-dcache-get code '(code2word)))
         (common-chars (pyim-candidates--get-chars common-words))
         (personal-words (pyim-dcache-get code '(icode2word)))
         (other-words (pyim-dcache-get code '(shortcode2word)))
         (words-without-chars
          (pyim-candidates--sort
           (pyim-candidates--remove-chars
            (delete-dups
             `(,@personal-words
               ,@common-words
               ,@other-words))))))
    `(,@common-chars
      ,@words-without-chars)))

[lld2001]

好的，谢谢。

另外我调试了下，发现获取common-words时的词时，顺序就已经变了。

(pyim-dcache-get "wubi/g" '(code2word))

这段代码输出：

("与" "一" "王")

我理解这个 code2word是不是词库，默认是不会变顺序的？默认顺序应该“一”在最前面（一级简码）

我将dcache删除后，重新启动，输出这样：

("一" "与" "王")

[tumashu]

对，这个顺序不会变，词库什么样子，顺序就是什么样子，除非你添加了多个词库

[lld2001]

但在我这确实改变顺序了，不知道什么原因。会不会跟我的用法有关系？

我现在有三台机器会相互同步个人词库。定时用 pyim-export-words-and-counts 导出到外部 dict 文件，启动emacs时，再用pyim-import-words-and-counts 分别导进三个词库。现在会生成大量的带日期缓存文件：

pyim-dhashcache-icode2word-backup-20220704084810
pyim-dhashcache-icode2word-backup-20220704113050
pyim-dhashcache-icode2word-backup-20220705081521
pyim-dhashcache-icode2word-backup-20220705082011
pyim-dhashcache-icode2word-backup-20220706091706
pyim-dhashcache-icode2word-backup-20220706144411
pyim-dhashcache-icode2word-backup-20220706171605

[lld2001]

现在词序是预期的了。

pyim-dhashcache-icode2word-backup-20220704084810
pyim-dhashcache-icode2word-backup-20220704113050
pyim-dhashcache-icode2word-backup-20220705081521
pyim-dhashcache-icode2word-backup-20220705082011
pyim-dhashcache-icode2word-backup-20220706091706
pyim-dhashcache-icode2word-backup-20220706144411
pyim-dhashcache-icode2word-backup-20220706171605

像这些还是会出现，不知道什么原因。

[tumashu]

这是pyim对个人词库缓存的保护机制，如果个人词库缓存的尺寸发生的变化超过一个阈值，pyim就会backup, 防止缓存损坏导致的数据丢失

[lld2001]

我现在有三台机器会相互同步个人词库。定时用 pyim-export-words-and-counts 导出到外部 dict 文件，启动emacs时，再用pyim-import-words-and-counts 分别导进三个词库。

这种是不是会导致词库变化较大啊。

[tumashu]

不知道，一般词库 hash-table-count 变化超过20％，就会自动备份，

[lld2001]

好的，谢谢。我定期手动删除吧。

[xuan-w]

如果字词混合，字按库来排，词按频率

意思是先排字，后排词？ 还是先排词后排字？

如您所说，不同形码用户的需求确实不同。比如说，我作为郑码用户，就希望输入法完全不考虑字词区分，只按词频或者词典顺序进行排序。
因为郑码本身的重码率极低，留下大量码位给词语。对于郑码使用来者说，nyll 在 99.9% 的情况下，用户想打的是词语“自己“而不是单字”翺“，因为后者几乎永远是组词”翱翔“来使用，而“翱翔”的编码 nguy 是唯一的，不存在重码。

既然不同用户需求不同，还希望留出一个选项，至少将“严格按词典文件排序”作为一个候选项？
感谢！

[tumashu]

@xuan-w 我觉得有特殊需求的同学还是直接 advice 下面的函数吧，比选项更灵活

(defun pyim-candidates--xingma-words (code)
  "搜索形码 CODE, 得到相应的词条列表。

当前的词条的构建规则是：
1. 先排公共词库中的字。
2. 然后再排所有词库中的词，词会按词频动态调整。"
  (let* ((common-words (pyim-dcache-get code '(code2word)))
         (common-chars (pyim-candidates--get-chars common-words))
         (personal-words (pyim-dcache-get code '(icode2word)))
         (other-words (pyim-dcache-get code '(shortcode2word)))
         (words-without-chars
          (pyim-candidates--sort
           (pyim-candidates--remove-chars
            (delete-dups
             `(,@personal-words
               ,@common-words
               ,@other-words))))))
    `(,@common-chars
      ,@words-without-chars)))