MEMMs(Log-Linear Tagging Models)

和HMMs相比,Log-Linear Tagging Models的核心优势在于它高度灵活的表示,它可以让丰富的特征在模型中很容易地聚合起来!

提示:MEMMs和Log-Linear Tagging Model是同一个模型,因为ME本质上就是Log-Linear Model,而且MEMMs中用到的马尔可夫假设和HMM中用到的是几乎一样。只不过MEMMs是一个判别模型,它学习的是一个条件分布!

条件标注模型

三个核心问题需要解决:

我们用对数线性模型来定义条件标注模型,用对数线性模型的参数估计方法来估计参数,用维特比算法的变形来寻找最优标注序列即解码问题。

1,Trigram MEMMs

在理解玩HMM和对数线性模型之后,这个模型就变得十分简单了。

  1. 我们的根本任务是对以下条件分布建模:

  2. 首先利用链式法则和二阶马尔可夫假设对以上的条件分布进行分解,得到:

  3. 利用对数线性模型对以下概率进行估计:


    其中,必须理解 hi h i 的定义。

则Trigram MEMMs的正式定义如下:


2,Features in Trigram MEMMs

Trigram MEMMs容易聚合大量特征的优点使得它比Trigram HMM强的多!而且Trigram MEMMs可以聚合任意形式的特征!

主要特征有:


  • Word/tag feature:类似HMM中的e(x|y)。

  • Prefix and Suffix feature:拼写特征,类似HMM中的那些低频词中的伪词。

  • Trigram,Bigram and Unigram Tag features:词性搭配特征,类似HMM中的q(VB|DT,JJ)。
  • Other Contextual Features
  • Other Features

3,Trigram MEMMs的参数估计

和对数线性模型的方法一样,通过最大似然估计将其转化为最优化问题。

对数似然函数如下:

则所估计的参数为:

4,MEMMs的解码问题

解码问题如下:

维特比算法求解:

MEMMs中的维特比算法的递归式和HMM中的维特比算法的递推式区别很小,如下:

算法详细流程如下:


还是比较容易理解的。

5,总结

由于MEMMs仍然存在标注偏置问题,所以之后又有了CRF!,它们之间的能力:CRF>MEMM>HMM。

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值