【NLP_Stanford课堂】语言模型

标签：存在   语言   解决   compute   一个   语音   com   inf   依赖   

一、语言模型

旨在：给一个句子或一组词计算一个联合概率

作用：

• 机器翻译：用以区分翻译结果的好坏
• 拼写校正：某一个拼错的单词是这个单词的概率更大，所以校正
• 语音识别：语音识别出来是这个句子的概率更大
• 总结或问答系统

相关任务：在原句子的基础上，计算一个新词的条件概率，该概率与P(w1w2w3w4w5)息息相关。

任何一个模型计算以上两个概率的，我们都称之为语言模型LM。

二、如何计算概率

方法：依赖概率的链式规则

从而有：

问题：如何预估这些概率

方法一：计数和细分

但是不可能做到！

原因：句子数量过于庞大；永远不可能有足够的数据来预估这些（语料库永远不可能是完备的）

方法二：马尔可夫假设

或者：

即：

所以：

三、马尔可夫模型

1. Unigram model

其假设词是相互独立的

2. Bigram model

3. N-gram models

但是并不有效，因为语言本身存在长距离依存关系

 比如"The computer which ......crashed" 单词crash本身其实是依赖于主语computer的，但是中间隔了一个很长的从句，在马尔可夫模型中就很难找到这样的依存关系

但是在实际应用中，发现N-gram可以一定程度上解决这个问题

【NLP_Stanford课堂】语言模型

标签：存在   语言   解决   compute   一个   语音   com   inf   依赖   

原文地址：https://www.cnblogs.com/a-present/p/9424937.html