NLP中的语言模型(language model)

什么是语言模型

本文参考维基百科语言模型 language model
统计语言模型是一个单词序列上的概率分布，对于一个给定长度为m的序列，它可以为整个序列产生一个概率 P(w_1,w_2,…,w_m) 。其实就是想办法找到一个概率分布，它可以表示任意一个句子或序列出现的概率。
目前在自然语言处理相关应用非常广泛，如语音识别(speech recognition) , 机器翻译(machine translation), 词性标注(part-of-speech tagging), 句法分析(parsing)等。传统方法主要是基于统计学模型，最近几年基于神经网络的语言模型也越来越成熟。

Unigram models

Unigram models也即一元文法模型，它是一种上下文无关模型。该模型仅仅考虑当前词本身出现的概率，而不考虑当前词的上下文环境。概率形式为 $$P(w_1,w_2,...,w_m)=P(w_1)\ast P(w_2)\ast ...\ast P(w_m)$$，即一个句子出现的概率等于句子中每个单词概率乘积。
以一篇文档为例，每个单词的概率只取决于该单词本身在文档中的概率，而文档中所有词出现的概率和为1，每个词的概率可以用该词在文档中出现的频率来表示，如下表中

Terms	Probability
a	0.1
world	0.2
likes	0.05
we	0.03
share	0.26
…	…

对于这篇文档中，所有概率和相加为1，即 $$\sum P(term)=1$$

n-gram模型

n-gram models也即n元语言模型，针对一个句子 $w_1,w_2,...,w_m$ 的概率表示如下：
$$P(w_1,w_2,...,w_m)=\prod _{i=1}^{m}P(w_i|w_1,...,w_{i-1})=\prod _{i=1}^{m}P(w_i|w_{i-(n-1),...,w_{i-1}})$$ 这里可以理解为当前词的概率与前面的n个词有关系，可以理解为上下文有关模型。
n-gram模型中的条件概率可以用词频来计算：
$$P(w_i|w_{i-(n-1)},...,w_{i-1})=\frac{count(w_{i-(n-1)},...,w_{i-1},w_i)}{count(w_{i-(n-1)},...,w_{i-1})}$$ 这里举个栗子：我们的原始文档是 doc = “我不想写代码了” ，经过中文分词处理后为 words = [“我”, “不想”, “写”, “代码”, “了”]。
那么产生原始文档doc的概率为：
P(我, 不想, 写, 代码, 了) = P(我) x P(不想|我) x P(写|我, 不想) x P(代码|我, 不想, 写) x P (了|我, 不想, 写, 代码)
相乘的每个概率可以通过统计词频来获得：

n-gram	probability
P(不想|我) =	count(我, 不想) / count(我)
P(写|我, 不想) =	count(我, 不想, 写) / count(我, 不想)
P(代码|我, 不想, 写) =	count(我, 不想, 写, 代码) / count(我, 不想, 写)
P(了|我, 不想, 写, 代码) =	count(我, 不想, 写, 代码, 了) / count(我, 不想, 写, 代码)

如果像上面这样去计算，会疯掉的。。。这种计算太复杂了，所以我们是否可以简化只考虑少数的词呢，如二元bigram模型，当前词只与它前面的一个词相关，这样概率求解就简化很多：
$$P(w_1,w_2,...,w_m)=\prod _{i=1}^{m}P(w_i|w_{i-(n-1),...,w_{i-1}})=$$