在术语列表中对项目进行排名

问题描述

我有以下格式的平行语料库：

parallel_corpus =
one sentence in Italian : one sentence in English
one sentence in Italian : one sentence in English

我有这种格式的双语术语列表

bigram_list =
Difensori dei diritti umani, libertà di espressione > Human rights defenders, freedom of expression

sgomberi forzati, violazioni dei diritti umani > forced evictions, human rights violations

因此，双语术语文件中的每一行都包含两种语言的术语，并用“>”分隔

我想要的是，针对以上文件中的每一行，关联成对的候选翻译（一种语言的术语，另一种语言的术语）。 因此，对于上面的第一个示例，二元组将如下所示：

('Difensori dei diritti umani','Human rights defenders')
('Difensori dei diritti umani','freedom of expression')
('libertà di espressione','Human rights defenders')
('libertà di espressione','freedom of expression')

然后，我想估计像上述每个双元组的相互信息，将选择具有高价值的双元组。 我尝试了这段代码

for line in bigram_list.splitlines():
    n = 0
    s = 0.001
    a = 0
    b = 0
    c = 0
    d = 0
    mi = ''
    bi= []
    trans = line.split(' > ')
    left =  trans[0].split(', ')
    right = trans[1].split(', ')
    for i in left:
            for j in right:
                    for line in parallel_corpus.splitlines():
                            n += 1
                            if i in line and j in line:
                                    a += 1
                            elif i in line and not j in line:
                                    b+= 1
                            elif j in line and not i in line:
                                    c+= 1
                            else:
                                    d +=1
                    mi = log(((a +s)/n)/(((b+s)/n)*((c+s)/n)))
                    bi.append((i,j,mi)) 
    print (bi)

此代码给出以下输出

[('Difensori dei diritti umani', 'Human rights defenders', 9.747427586368971), ('Difensori dei diritti umani', 'freedom of expression', 4.054309816276213), ('libertà di espressione', 'Human rights defenders', 1.7964873912918353), ('libertà di espressione', 'freedom of expression', 3.5916971873132355)]
[('sgomberi forzati', 'forced evictions', 9.971061859787796), ('sgomberi forzati', 'human rights violations', 5.278014664230184), ('violazioni dei diritti umani', 'forced evictions', 4.3759922075718447), ('violazioni dei diritti umani', 'human rights violations', 2.760410122135915)]

我需要的是bigram_list中的每一行，如果有成对的第一个元素相同，请选择一对具有较高值的??对。 一个例子：在下一行

[('Difensori dei diritti umani', 'Human rights defenders', 4.747427586368971), ('Difensori dei diritti umani', 'freedom of expression', 4.054309816276213), ('libertà di espressione', 'Human rights defenders', 3.7964873912918353), ('libertà di espressione', 'freedom of expression', 3.5916971873132355)]

我们有

('Difensori dei diritti umani', 'Human rights defenders', 9.747427586368971)

'Difensori dei diritti umani', 'freedom of expression', 4.054309816276213

因此，我们必须选择第一对，它们与第二对包含相同的第一元素（“ Difensori dei diritti umani”），但具有很高的价值。

有人可以帮忙吗？