语言模型就是用来计算一个句子的概率,也就是判断一句话是否是人话的概率。
语言模型计算
给定句子(词语序列):
S
=
W
1
,
W
2
,
W
3
.
.
.
W
k
S = W_1,W_2, W_3...W_k
S=W1,W2,W3...Wk
它的概率为:
P
(
S
)
=
P
(
W
1
,
W
2
,
.
.
W
k
)
=
p
(
W
1
)
P
(
W
2
∣
W
1
)
.
.
p
(
W
k
∣
W
1
,
W
2
.
.
.
.
W
k
−
1
)
P(S) = P(W_1,W_2,..W_k) = p(W_1)P(W_2|W_1)..p(W_k|W_1,W_2....W_{k-1})
P(S)=P(W1,W2,..Wk)=p(W1)P(W2∣W1)..p(Wk∣W1,W2....Wk−1)
该方法的缺陷
- 1 参数空间过大: 条件概率 p ( w n ∣ w 1 , w 2 . . w n − 1 ) p(w_n|w_1,w_2..w_{n-1}) p(wn∣w1,w2..wn−1) 的可能性太多,无法估算。
- 2 数据稀疏严重:对于非常多词对组合,在语料库中都没有出现,根据最大似然估计概率为0
为了解决这个问题,从而引出马尔科夫假设
马尔科夫假设
假设: 随意一个词出现的概率只与它前面出现的有限个词有关。
基于马儿科夫假设,产生了一元语言模型,和N元语言模型(一般是二元和三元,高于四元的用的非常少 因为训练需要语料庞大,数据稀疏,时间复杂度高,但是精度提高并不多)
-
一元语言模型 unigram: 假设一个词的出现与周围的词无关,词与词之间是独立的。即:
p ( s ) = p ( w 1 ) p ( w 2 ) . . . . p ( w n ) p(s) = p(w_1)p(w_2)....p(w_n) p(s)=p(w1)p(w2)....p(wn) -
二元语言模型 bigram: 假设一个词的出现只与它前面出现的一个词有关。即
p ( s ) = p ( w 1 ) p ( w 2 ∣ w 1 ) p ( w 3 ∣ w 2 ) . . p ( w n ∣ w n − 1 ) p(s) = p(w_1)p(w_2|w_1)p(w_3|w_2)..p(w_n|w_{n-1}) p(s)=p(w1)p(w2∣w1)p(w3∣w2)..p(wn∣wn−1) -
三元语言模型 trigram: 假设一个词的出现只与它前面出现的两个词有关。即
p ( s ) = p ( w 1 ) p ( w 2 ∣ w 1 ) p ( w 3 ∣ w 1 , w 2 ) . . . p ( w n ∣ w n − 1 , w n − 2 ) p(s) = p(w_1)p(w_2|w_1)p(w_3|w_1,w_2)...p(w_n|w_{n-1},w_{n-2}) p(s)=p(w1)p(w2∣w1)p(w3∣w1,w2)...p(wn∣wn−1,wn−2)
参考: https://zhuanlan.zhihu.com/p/28080127