n元语法模型中,在统计结果中出现了零概率事件反映语言的规律性,即这种现象本来就不该出现,但更多的时候是由于语言模型的训练文本T的规模以及其分布存在着一定的局限性和片面性。这就是所谓的“数据稀疏”问题。
所谓“数据平滑技术”,是指为了产生更准确的概率来调整最大似然估计的技术,基本思想就是提高低概率(如零概率),降低低概率,尽量使概率分布趋于平均。
1.Laplace法则
每个实例(分子)的出现次数都加1(或者其他数值),从而所有实例出现次数都不会为0,,为了保证所有实例的概率总和为1,将分母增加实例的种类数;即:
2.Good-Turing估计
基本思想是:对于任何一个发生r次的n-gram,都假设它发生r*次,即: