NLP 学习笔记 02 Tagging Problems and Hidden Markov Models

               

(all content based on the coursera course nlp)

--------------------------------------------------------------------------------------------------------

这一周的主要课程是tagging problems

首先是简单介绍了一下supervised learning problem，则是机器学习中的基础了，请参看我写的其他的笔记

介绍了两个模型

Conditional models:

    我们从对样例的学习得到一个分布：p(y|x)，然后用这个分布来对我们新的数据进行标记

                           

     可以很直观地感觉到这个分布的意义：给定一个数据x，它的标记为y的概率。

Generative Models:

     我们从样例中学习到一个分布p(x,y)，因为有

     所以：

                        

      对这个模型的直观感受就是：标记y的概率乘以标记y生成数据x的概率，所以它叫做生产模型

Trigram Hidden Markov Models (Trigram HMMs)

      对于一句话x，我们对其标记为y,对其用Generative Models进行定义：

          

      那么最有可能的标记y就是：

              

      使用HMM对p(x,y)进行定义，使用trigram模型，则有：

              

       其中的q是在之前笔记定义了的parameter

       e(xi | yi)表示标记yi生产xi的概率，一般对样例中得数据进行统计就行了，它等于(xi标记为yi的数量) / (标记yi的数量).

       即是：

               

Dealing with Low-Frequency Words

      这个模型一个显著的缺点就是有些词出现的次数极少，那么课程给出的一个解决方法就是对出现次数少的词语进行分类，把分到一类的词语都用特定单词表示，这样出现次数累积起来就多了。

      比如说：

       

       分类完成后将所有的两位数字换成 twoDigitNum，四位数字换成fourDigitNum，诸如此类，然后把训练数据中的都替换掉，这样将它们的出现次数累积起来，次数自然就变多了。

The Viterbi Algorithm

       定义号这样一个模型之后，我们要解决的问题就是用一个算法来得到结果

       单纯的枚举在这里明显是不明智的，这里介绍一个Viterbi Algorithm，实际上是一个动态规划算法，理解起来并不难

      首先定义：

             

              Sk表示的是在位置k可选的标号，0和-1自然只能选开始符号，其它可以任意选择所有的标号

       定义：

           

             这是对上面的一个重定义，换了个符号而已。

       定义：

               

             π(k,u,v)是在位置k，以u,v结尾的最大的概率，也就是时的最大概率

       算法：

             在π上进行动态规划算法，通过最开始最明显的(下式)进行递推

             

             推导式为：

                

             我想这个理解起来应该是不难的吧2，一个动态规划而已，下面是伪代码：

              

             其时间复杂度是，效率还是不错的。