n-gram的原理解释

1. 共现矩阵

共现矩阵描述的是在一个固定大小的滑动窗口下，两个词同时出现的频次。假设共现矩阵用$X$表示，半窗口大小为$m$，则$X_{i,j}$表示在语料库中，以词$w_i$为中心词时，$w_i$前后$2m$个词内$w_j$出现的次数。举例说明如下图：

假设语料库中的词典表示为$V$，则共现矩阵的大小为$|V|\times |V|$，词典的大小一般很大，因此共现矩阵也非 常巨大，这也是n-gram的一大弊端。

共现矩阵中是对称的，每一行或每一列都可以作为词向量，但是n-gram其实很少用到词向量，更多的是基于统计值预测序列的某个序列上是什么词。真用到词向量的一个例子是Glove ，在那里共现矩阵的每一行会归一化得到一个概率值$P(i|j)$，表示在窗口$2m$内，词$w_j$出现时，词$w_i$出现的概率。

以上的描述都是基于窗口的，还有一种方法是基于全篇文章(Word Document Maxtirx)，可以理解为窗口为一整篇文章的大小，矩阵$X_{i,j}$表示在第$j$篇文章中，词$w_i$出现的频次，矩阵X的大小为$|V|\times M$，其中$M$为文章的篇数。

2. 数学描述

n-gram作为一种基于统计语言，应该可以用数学的语言描述。我们的目标是建立下面的模型：

$$p(W)=p(w_1^T)=p(w_1,w_2,...,w_T)=p(w_1)\cdot p(w_2|w_1)\cdot p(w_3|w_1^2)\dots p(w_T|w_1^{T-1})$$

模型中的基本元素是$p(w_k|w_1^{k-1})$，只需要找到这个概率的表示方法即可，根据贝叶斯公式：

$$p(w_k|w_1^{k-1})=\frac{p(w_1^k)}{p(w_1^{k-1})}$$

再三注意，$w_1^k$上的k不是幂次，$w_1^k$表示是序列$w_1,w_2,..w_k$，这也解释了上面贝叶斯公式的分子为什么不是$p(w_1^k,w_1^{k-1})$，因为$w_1^k$已经将$w_1^{k-1}$包含进去了，直接简写在一起就好了。

根据大数定理，上式可以表示为为：

$$p(w_k|w_1^{k-1})\approx \frac{count(w_1^k)}{count(w_1^{k-1})}$$

$count(w_1^k)$表示的是语料库中，序列$w_1^k$出现的频次，这其实就是在计算一个共现矩阵，只不过这里没有限制窗口大小，如果k很大，那么分子和分母的统计将会消耗巨大的算力。n-gram的基本思想，是它做了一个n-1阶的Markov假设，即认为一个词出现的概率只与它前面的n-1个词相关，即

$$p(w_k|w_1^{k-1})\approx p(w_k|w_{k-n+1}^{k-1})=\frac{p(w_{k-n+1}^k)}{p(w_{k-n+1}^{k-1})}\approx \frac{count(w_{k-n+1}^k)}{count(w_{k-n+1}^{k-1})}$$

这样在计算共现矩阵时，就只需要在大小为n的窗口内进行，不用统计一个长序列$w_1^k$的频次，大大缩减了计算量。

至此，n-gram统计语言模型的关键概率$p(w_k|w_1^{k-1})$计算完毕，基于这个概率可以对给定的序列预测下一个词最可能是什么。

3. 计算优化

即使做了Markov假设，n-gram依旧很耗费算力和存储，因为共现矩阵的大小与词典的大小有关，词典通常非常大，因为共现矩阵会非常大，推理速度也会很慢。下图给了一个共现矩阵参数量的参考值，n表示的是窗口大小，词典大小为20万（汉语词汇量的大致量级）。

为了进一步优化计算，在获得共现矩阵后，通常会对它进行降维，常见的方法比如PCA和SVD，用SVD降维还被讲成了故事，从多义词的角度来讲述，参考文献3、4。

此外，由于语料库中某些序列的频次为0，那么在计算概率是有可能出现分子或分母为0的情况，这不能说明这些序列的真的不存在，只能说语料库不够大没有覆盖到，所以通常是会进行平滑处理，最简单的方式是给频次+1。

4. 参考文献

1. word2vec中的数学
2. Stanford cs224n Lecture 2 - Word Vectors and Word Senses （slides-marginnote）
3. https://www.cnblogs.com/sancallejon/p/4963630.html
4. https://blog.csdn.net/qq_16633405/article/details/80577851