自然语言处理 (第5课 N元文法模型）

一、学习目标

1.学习语料库的概念
2.了解n元文法模型的定义以及相关问题
3.使用参数估计方法求解模型最优
4.使用数据平滑消除零概率现象
5.了解N元文法模型的一个应用

二、语料库

1.语料库（corpus）的定义：语言数据库，用于存放语言数据的文件。
2.语料库的分类：

3.语料库的应用：

三、N元文法模型定义

1.N元文法模型的定义：

历史基元是当前词语前面的词语。根据n的多少，可以进行分类：

例子如下：

2.句首、句末标志：

四、N元文法模型参数估计

1.语言模型的参数估计方法一般选择极大似然估计，而不使用最大后验估计，主要原因在于我们无法确立一个很好的先验概率分布。相关原理可见《机器学习（第2章）》的参数估计小节。
2.极大似然估计实现方法：

例子：


一个不正常的例子：

由于语料库的不存在“Cher read”的词对，导致出现0概率，由于最后乘算，就导致最终概率也为0。这显然是不合理的，这主要是语料库不足导致的，除了扩大语料库外，显然我们也可以设计一种方法去避免这种现象，即数据平滑。

五、数据平滑

1.方法原理：

困惑度即将交叉熵进行幂级放大：

其中p（T）在语言模型中，就是：

2.实际上，我们并不需要真的去求困惑度最小的语言模型，因为已经有许多种方法：

为了减少篇幅，这里只展示加1法：

而针对前面出现0概率的例子，我们就能通过加1操作使结果不为0：

六、N元文法模型的应用

1.问题描述：对下面汉语句子进行分词才是正确的呢？

进行语言建模：

2.词典的拓展：由于原有词典并不能包含所有的词语，为了拓展足够多的正确的词汇，我们可以人为地拓展词典，方法与例子有：

3.而为了使用隐马尔可夫模型，我们需要对词序列转化为词性序列：

例如：

4.公式计算：（这里采用的是最大后验估计，实际中会有些难实现）

（4-9）是我们的目标函数，其包含两个部分，语言模型和生成模型，语言模型部分我们可以通过（4-10）、（4-11）来计算，生成模型由（4-12）来计算。最后求解出的W是最优的词序列，C是词性序列。

5.整体算法描述：

七、本章总结