国立高等经济大学NLP学习笔记(2)：语言建模(Language modeling)

这周讲核心的NLP方法。

2.1 语言建模：全是计数问题(Language modeling: it's all about counting!)

2.1.1 N-gram语言模型(N-gram language models)

我们从语言模型开始讲解。

什么是语言模型呢？语言模型就是计算序列单词(sequence words)或句子出现概率的模型，我们称之为language models或LMs。

假设你看到了一些句子的起始单词，那该如何预测接下来的单词，你会如何继续你的句子，搭配的单词是否听起来顺畅，我们人对此往往会有很好的判断，但怎么让机器拥有和人一样好的判断呢？我们可以预测在前一个词出现的情况下，后一个词出现的概率，首先我们需要一些数据，也就是语料，如下图所示：

上图来自于Coursera国立高等经济大学NLP该小节PPT。

假设我们现在需要预测的是house出现在this is the之后的概率，直觉上我们知道这个概率值就等于在语料中this is the house出现的次数占this is the X出现次数的比例，这也是极大似然估计的结果。上图中有四个语句，this is the X出现四次，而this is the house出现一次，所以house出现在this is the之后的概率为1/4，而this is the house我们称为4-grams。什么是n-grams呢？

n-grams指连续n个单词所组成的语料中的一些片段，比如this is为2-grams，this is the house为4-grams。但其实将n-gram model中的model去掉之后，n-gram即可以代表n个单词组成的片段，也可以代表n-gram语言模型。

知道了有些词出现的条件概率，有时候我们需要判断整句话出现的概率，或者说有1000个单词的句子，这样做并不简单，因为这整句话可能并不出现在文本中，所以我们不能简单的count去计算整句话出现的概率，但我们可以在单词条件概率的基础上计算句子出现的概率。

计算一个句子出现的概率时，可以使用链式法则(chain rule)，但是最后一项会有些复杂，因为它的条件很长，且我们无法计算，因为要用频率代替概率，首先需要很大的语料库，而语句在不断创新，且有些特定语句可能根本就不存在。那我们可以避免这种情况吗，当然是可以的，我们可以使用马尔科夫假设(markov assumption)，马尔科夫假设是说你不必考虑所有历史，仅考虑前n-1个term就可以了，这个n在这里指n-grams中的n，如下图所示：

如果按照链式法则，最后一个概率值要考虑前k-1个单词，而这(k-1)-grams可能在语料中就不存在，且实际情况中，一个单词的出现可能仅跟其前几个单词有紧密联系，太过久远的历史不仅没有用处且不便于计算。

所以这里我们提出了马尔科夫假设，即计算第i个单词出现的条件概率时，不必考虑前i-1个单词，只需要考虑前n-1个单词，而n在这里就是n-grams中的n(有些博客将n看作是第n个单词，这肯定是不对的，那就无区别于链式法则)。

下面来看一个2-grams的应用实例，如下图所示：

按照马尔科夫假设，因为我们使用的是bigram语言模型，所以计算单词出现的条件概率时，仅考虑该单词的前一个单词，如上图所示。根据语料，我们计算this is the house这句话出现的概率如上图所示，最终的结果是1/24，但是这样的结果有什么问题呢？

其实，这样计算我们会存在两种问题，但我们可以解决它们：

首先，在计算开头单词出现的概率时我们可以不必考虑语料中所有单词，因为有些单词根本就不可能作为句子首单词，而this、that作为句首单词出现的概率更高些，解决方法如下图所示：

即我们可以先在语料中每一个句子的句首都加上一个假的符号(fake token)，然后计算this出现在fake token之后的条件概率，这样做结果就由原来的1/24变为现在的1/4，结果更加准确。同时，有的同学应该已经发现了，这是在bigram的情况下，所以句首我们加了一个fake token，根据马尔科夫假设，如果是n-grams，我们就需要在句首加(n-1)个fake token，不要忘记了。

但是这个结果还存在一个问题，我们需要结束符号(end-symble)使所有句子拥有同一个概率分布。如果没有结束符号，不同长度的所有句子概率总和均为1。因为句子长度无限制，所以该模型将定义无限多个概率分布，即每个句子长度有一个分布。如下图所示：

上面的解释也许比较抽象，接下来是我自己的想法，我们可以这样想，在没有结尾符时，P(this)=P(_this)=P(this|