目录
一、Noisy Channel Model
该模型就是自然语言处理中常用的模型，它是根据贝叶斯定理得来的，用于把信号源转换成文本，信号源可以是多种，可以适用于多个场景。
比如机器翻译：p(中文|英文) 正比于 p(英文|中文)p(中文)
那么text就是中文，信号源source就是英文。给定了中文，翻译出英文，但通常p(英文|中文)只能是翻译的堆叠，并没有什么语法，因此需要通过p(中文)来保证输出的内容符合语法。而这个p(text)就是语言模型。
除了机器翻译，还适用于拼写纠错、语音识别、密码破解等。前半部分的p(source|text)是用来做翻译、纠错、识别、破解的，但不保证语法正确，因此需要语言模型p(text)。
二、语言模型
语言模型的主要作用，是用来判断是否一句话从语法上通顺。
比如：今天是周日VS今天周日是，通过语言模型，我们期望得出：前者的概率大于后者的概率。
1.句子的概率
一个句子的概率，当进行完分词之后，可以通过概率的链式法则计算，举例如下：
那么如何去计算呢？比如我们应该怎样计算P（休息 | 今天，是，春节，我们，都，休息）？
其实很简单
①在语料库中，找到“今天是春节我们都”，看看后面跟的词是什么。
②假设文章中有2句话包含“今天是春节我们都”，一个是“今天是春节我们都休息”，一个“今天是春节我们都放假”，那么P（休息 | 今天，是，春节，我们，都，休息）就是1/2，但这个方法不太好，因为句子长，不容易在文章中找到，会有稀疏性的问题。
2.马尔科夫假设
Markov Assumption简单来说就是对条件概率进行近似，将有多个条件的条件概率，近似为只有1-3个条件的条件概率，举例如下：
如果只跟1个条件，就是first order马尔科夫假设，2个条件，就是second order马尔科夫假设，以此类推。
举例如下：
假设左边是已经训练好的语言模型，那么“今天是周日”和“今天周日是”这两句话，我们如果用first order马尔科夫假设进行概率计算，所得结果是如下所示：
3.语言模型：N-gram
①Unigram
相当于单词之间相互独立，根据下面的例子来看，显然效果不太好，它无法判定单词的前后顺序。
②Bigram
Bigram来自于1st order马尔科夫模型，这个模型中考虑了两个单词之间的顺序。根据下面的例子可以看出，Bigram可以区分开不同顺序的单词所组成的句子。
更高阶的统称为N-gram，就是考虑三个单词之间的顺序，更为复杂。一般不会超过6，最常用的是Bigram
4.计算语言模型的概率
①P(单个的词) = 这个词出现次数/语料库总词数
②P(A|B)：假如文章中出现了BA, BC，那么P(A|B) = 1/2
举例如下：
语料库共19个词，出现了2次“今天”，则P(今天)=2/19
“今天”后面跟的词，一个是“的”，一个是“上午”，则P(上午|今天) = 1/2
5.评估语言模型
训练好语言模型后，我们可以通过让模型去填空的方法去评估模型好坏，根据填空完之后得到的句子的准确性判断：
不过通过句子来判断会很麻烦，我们还是让模型继续填词，但这次我们直接看它填的词所对应的概率及条件概率，通过一系列计算，使用Perplexity进行判断。
计算方式如下：
①取所有模型填上的词的概率及条件概率，称为likelihood
②对所有的likelihood取对数
③对所有的log-likelihood取平均数x
④代入2^(-x)中，取最小值
6.平滑
由于计算概率的时候，只要有一个词没出现在语料库中，那么分子就会有1项为0，导致整个概率直接为0，因此我们需要对概率加上一个平滑项。
①拉普拉斯平滑
在分子上+1，分母上+V，V是词典的大小，这样加完之后，其他的所有可能性算出来之后，求和为1。举例如下：
也可以不加1，分子加k，分母加kV
k可以由机器自动选择：把k看做一个参数，得到一个关于k的函数f(k)，训练好模型，可以令perplexity=f(x)，那么我们就需要最小化f(x)即可得到最佳的k。
②Interpolation
场景：当语料库中缺少2个短语：in the kitchen, in the arboretum，那么对于模型来说，这两个短语是同等对待的，因此计算条件概率的时候也是相同的。但实际上，在语料库中出现了kitchen这个单词，并且次数很多，因此，在计算条件概率的时候，比如使用trigram的方法，也同时考虑了bigram以及unigram，并且对每一个语言模型赋予权重。（注意，三个模型的权重之和为1）
更一般地：
961
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
