标签：style blog http ar 使用 for strong sp 数据
隐马模型是一个不复杂但在NLP上最有效、快速的方法。
1.通信模型
自然语言和通信的联系是天然的，当自然语言处理问题回归到通信系统中的解码问题时，很多难题就迎刃而解了。
前面已经说了，我们把说话看作是一种编码方式，然后通过喉咙、空气传播，听到话的人的耳朵接收，再理解说的话，也就是语音识别。如果接收端是计算机，那么计算机完成的就是语音识别。我们要根据接收端的信号O1,O2,O3...来推测发送源的信号S1,S2....。我们只需从所有的源信息中找到最有可能的信号即可，也就是：
上式不易直接求出，我们利用贝叶斯公式等价成：
、
一旦信息产生，接收端收到的信息就不会改变了，所以我们可以把分母当成一个常数，只考虑分子，分子有两项，我们采用隐马尔可夫模型来估计。
2.隐马尔可夫模型
上面我们提到过，马尔科夫假设是指随机过程中的各个状态St的概率分布只与它的前一个状态St-1有关。
如上图，四个圈表示四个状态，每条变表示一个可能的状态转换，边上的权值是转移概率。例如m2到m3的可能性为0.6，到m4的可能性为0.4，即：
此处的概率，我们可以运行一段时间之后，通过观察得到。
而我们这里要讲的隐马尔可夫模型，其实是上述马尔可夫链的扩展，它表示：在任一时刻t的状态St是不可见的。但是隐马模型在每个时刻t会输出一个符号Ot，且Ot和St相关且仅和St相关。
基于马尔科夫假设和独立输出假设，我们可以计算出某个特定的状态序列S1,S2,S3...产生输出符号O1,O2,O3...的概率。
带入（5.2）中的分母。这样通信的解码问题就可以用隐马尔可夫模型解决了。因为通信和自然语言处理的相似性，我们可以用隐马尔可夫模型来解决。至于如何找出上式的最大值，进而识别原始句子S，则需要维特比算法（后面会有介绍）。
3.延伸阅读：隐含马尔科夫模型的训练
围绕隐马模型有三个基本问题：
1.给定模型，如何计算某个特定输出序列的概率；——解决：用Forward-Backward算法
2.给定一个模型和某个特定的输出序列，如何找到最可能产生的输出序列；——解决：维特比算法
3.给定足够靓的观测数据，如何估计隐马模型的参数。
此处，我们讨论第三个问题。
隐马尔可夫模型的参数有两类，一类是转移概率，即从一个状态转移到另一个状态的概率P（St|St-1），比如前面从m3到m2的概率；另一类是生成概率，即每个状态St产生相应输出符号Ot的概率P（Ot|St）。我们的目的就是要训练出这些参数。
在监督训练中，我们用足够的数据，进行频率估计得到参数。但是很多应用中不可能做到，或者成本非常高。因此，训练隐马尔可夫模型更使用的方式是通过大量观测信号O1,O2,O3....就能推算参数，常用的方法是鲍姆-韦尔奇算法。
一般来说，根据观察值倒推产生它的隐马模型可能会有多个值。但总有一个的可能性要比其他高。鲍姆-韦尔奇算法就是寻找这个最有可能的模型。
基本思想如下：找到一组能产生输出序列O的模型。然后在此基础上找到更好的模型。以此不断迭代知道模型质量没有明显提高为止。迭代使用EM估计，只能找到局部最优。
4.小结
隐马尔可夫模型最初应用于通信领域，继而推广到语音和语言处理中。它需要一个训练算法（鲍姆-韦尔奇算法）和使用时的解码算法（维特比算法），掌握了它们，就基本上可以使用隐马尔可夫模型了。
标签：style blog http ar 使用 for strong sp 数据
原文地址：http://www.cnblogs.com/KingKou/p/4033585.html
