标签：四种 image 常用方法 mamicode 概率分布 等价 等于 包括 方法
文本自然语言处理的一个最最最基本的一个问题：如何用数学符号或公式表示一段文本？如何计算一段文本在某种语言下出现的概率？
语言模型(用概率论的专业术语表示)：为长度为m的字符串确定其概率分布P(w1，w2，...wm)，其中w1到wm依次表示文本中的各个词语。概率值计算公式如下，
但是有个问题发现没有？加入一个文本超级长，会怎么样？从第三项开始计算难度就会很大。此时，有人提出了n元模型(n-gram model)。那么n元模型是什么呢？它就是在估算条件概率时，忽略距离大于等于n的上文词的影响。则此时
首先，把一段文字抽象成数学表示，用
表示输入的句子，n为句子长度，
表示字。
表示输出的标签(例如:"我/B爱/M你/E"最理想的标签输出：BME)。其中，o表示的就是B、M、E、S这四种标记，λ为诸如“我”“爱”“你”“中”“国”等句子的每个字，包括标点等非中文字符。
当n=0时，即观测独立性假设，就是0阶隐马尔可夫，每个词都是独立的，例如：我爱你->我/B爱/M你/E，此时，标签/M仅和爱有关系
当n=1时，即齐次马尔可夫假设，就是1阶隐马尔可夫，每个词都仅与前一个词有关系，
那么从上面的公式我们可以看到，我们渴望得到的解是
，这是不是很熟悉了？条件概率，通过贝叶斯公式即可求解，
此处有一问题，我没明白，可能是太菜了，如果有会的，希望各位在评论区给指点一下，万分感谢！！！问题是：λ是给定的输入，因此
计算为常数，可以忽略，因此最大化
等价于最大化
。我对这个为常熟可忽略不明白。
好，假如我明白了，那么，求可以先求
，按照齐次隐马尔可夫假设，则
再求
那么就可求了，即
其中，
叫发射概率，
叫转移概率。通过设置转移概率为0（
）
，可排除类似BBB、EM等不合理的组合。
注：在隐马尔可夫中求解
的常用方法是Veterbi算法，可参考博客 ： https://blog.csdn.net/sailist/article/details/83064985
学过运筹学的同学更好理解一些
标签：四种 image 常用方法 mamicode 概率分布 等价 等于 包括 方法
原文地址：https://www.cnblogs.com/JadenFK3326/p/11964892.html
