中文纠错之N-gram
1. N-gram介绍
N-gram是基于一个假设:第n个词出现与前n-1个词相关,而与其他任何词不相关。整个句子出现的概率就等于各个词出现的概率乘积(各个词是相互独立的),各个词的概率可以通过语料中统计计算得到。
N=1时称为unigram,N=2称为bigram,N=3称为trigram,假设下一个词的出现依赖它前面的一个词,即 bigram,假设下一个词的出现依赖它前面的两个词,即 trigram,以此类推。
理论上,n越大越好,经验上,trigram用的最多,但原则上能用bigram解决,绝不使用trigram
举例:“你今天休假了吗”,它的bigram依次为:
你今,今天,天休,休假,假了,了吗
2. 公式
假设句子T是由词序列w1,w2,w3…wn组成,用公式表示N-gram语言模型如下:
P(T) = P(w1)*p(w2)*p(w3)***p(wn) = p(w1)p(w2|w1)p(w3|w1w2) *p(wn|w1w2w3…)
以上公式较难以实际应用,此时出现马尔可夫模型,该模型认为,一个词的出现仅仅依赖于它前面出现的几个词。这大大化简了上述公式
P(w1)P(w2|w1)P(w3|w1w2)…P(wn|w1w2…wn-1) ≈ P(w1)P(w2|w1)P(w3|w2)…P(wn|wn-1)
一般常用的N-gram模型是Bi-gram和Tri-gram,分别用公式表示如下:
Bi-gram:
P(T)=p(w1|begin)*p(w2|w1)*p(w3|w2)***p(wn|wn-1)
Tri-gram:
P(T)=p(w1|begin1,begin2)*p(w2|w1,begin1)*p(w3|w2w1)***p(wn| wn-1,wn-2)
注意上面概率的计算方法:
P(w1|begin) = (以为w1开头的句子数) / (句子总数)
3. Bi-gram例子
语句:“< s1 > 猫,跳上,椅子 < /s1 >”
在这里< s1 >是句首标志,< /s1 >是句尾标志,Tri-gram就有< s1 > < s2 > < /s2 > < /s1 >
P(A = “猫”,B = “跳上”,C = “椅子”)= P(“猫”|“< s1 >”)* P(“跳上”|“猫”)* P(“椅子”|“跳上”)* P(“< /s1 >”|“椅子”)
其中各个词在语料库中统计的数量如下:
猫 | 跳上 | 椅子 |
---|---|---|
13 | 16 | 23 |
对于二元模型,每个词都与它左边的最近的一个词有关联,关联的数量关系如下:
猫 | 跳上 | 椅子 | |
---|---|---|---|
猫 | 0 | 9 | 1 |
跳上 | 0 | 3 | 15 |
椅子 | 0 | 0 | 0 |
P(A,B,C) = P(A|“< s1 >”) * P(B|A) * P(C|B) * P(“< /s1 >”|C)
P(A|< s1 >) = ?
P(B|A) = 9/13
P(C|B) = 15/16
P(“< /s1 >”|C) = ?
4. 评估模型优劣
PP(w1,w2,…,wn) = P(w1,w2,…,wn)-1/n
这个值越小说明模型越好,用一元模型和二元模型也可以看出二元模型的值比一元模型的值要好
5. 参考博文
https://www.cnblogs.com/gongxijun/p/9178879.html
https://www.cnblogs.com/bep-feijin/p/9430164.html