标签：输入法 数据挖掘 数据 剪枝 熵
prunning，剪枝，顾名思义就是减掉那些不重要的。
从理论上来讲，剪枝达到的效果就是剪枝后的q和剪枝前的 p 最大化相似，有两种算法 entroy-based以及rank-based。
针对model，使用相对熵来刻画D(q||p) 来刻画，保证两个model的熵差别最小，就是entropy-based。如果使用rank(p|q)来描述，保证整个model的rank差别最小(主要是针对同一个bigram pair的left word)，就是rank-based。
对于smoothing，我们使用的是katz平滑。
entropy-based 计算的套路：
1.针对每一条数据，计算删除后的模型参数，对于katz，重新计算alpha，基于新/老alpha，看看整个model熵的变化，具体值参考论文公式。
参数计算：
这个事情真正的难点在于，如何分布式的计算这些信息。每次删除一条数据，明显不可行，一下子删除完也不行
通过公式来看，这里面的重点是如何更新alpha，以及alpha确定后，如何迭代。
rank-based算法当时也做过尝试，感觉和entropy-based差不多，并且这两个都没有达到期望的效果，所以并没有深入研究
上面的算法属于理论上的算法，来刻画两个模型的距离，在输入法这个应用上，并不合适。
一般来讲，输入法原始model 的规模可能在30亿，而一个local的model需要的最多也是在1000w-2000w左右。基本上需要剪掉90%的数据，最终的model和原始model差别还是比较大的。
基于熵的剪枝，一般意义上期望是剪掉后和原始模型差别不大，根据经验来讲，剪掉20%左右的数据就很不错了
所以真正意义上的剪枝应该基于输入法的特性来做
输入法之模型剪枝一(基于熵的剪枝),布布扣,bubuko.com
输入法之模型剪枝一(基于熵的剪枝)
标签：输入法 数据挖掘 数据 剪枝 熵
原文地址：http://blog.csdn.net/hxxiaopei/article/details/34451237
