二元语法（2-gram）分词中的平滑算法

从一年前的计算语言学作业开始，我一直没明白，为什么我写的二元语法分词要比一元语法差。两天来我仔细分析了一下之前的实验细节，发现二元语法分词要超过一元语法，可以有两种方式：1.超大的语料；2.强大的平滑算法。

　　实验采用北大人民日报1-6月语料，大约700万字，选其中90%作为训练数据，另外10%作为测试数据。先看下实验结果：

分词方法	准确率	召回率	F值
最大正向匹配	0.9040	0.9189	0.9114
一元语法	0.9280	0.9502	0.9389
二元语法（+1平滑）	0.9093	0.9276	0.9184
二元语法（+eps平滑）	0.9102	0.9529	0.9311
二元语法（删除插值）	0.9317	0.9615	0.9463

　　一元语法引入了词频信息，效果对最大正相匹配有很大的提高。但是奇怪的是，二元语法（用前两种平滑算法）居然比一元语法的效果更差，问题在哪呢？
　　经过测试，在测试语料中，二元语法的最短路径（参考《SharpICTCLAS分词系统简介(2)初步分词》的思路）上，平均每个段落有12处  p(wn|wn−1)=0 。这就意味着700万字的训练数据还是不够大，平滑算法在这里需要起到非常重要的作用。

　　下面简单看看几种平滑算法的“含义”。

+1 平滑、 +ε 平滑

p(wn|wn−1)=f(wn−1wn)+1f(wn−1)+m
　　对于 f(wn−1wn)=0 的情况，式子会退化成  p(wn|wn−1)=1f(wn−1)+m 。也就是说，如果前词频率越大，则认为后词出现的概率就越小。

删除插值法

p(wn|wn−1)=(1−λ)p′(wn|wn−1)+λp′(wn)
　　直观地说，这就是二元语法和一元语法的简单线性融合。
　　这种平滑算法在 p′(wn|wn−1)=0 时会退化成  p(wn|wn−1)=λp′(wn) 。也就是说，后词词频越大，则认为后词出现的概率就越大。
　　实际上这也只是两种不同方法（一元、二元语法）的融合，因为  p′(wn|wn−1)  和  p′(wn)  这一个条件概率、一个概率直接加权没有什么物理意义，只是单纯地“平滑”了一下。

总结

　　两种平滑方式很有意思。当出现数据稀疏时，一种只看前词的出现频率，一种只看后词的出现频率来进行估计。从结果看，还是后者略好。
　　平滑……又是一个调参的过程，参数调不好，再NB的算法也没用……简直就是NB的参数胜过NB的方法啊。但是不管怎样，最终还是得靠好方法来撑腰。
　　上面的实验还停留在“远古时期”，在现在有大规模语料的实际情况下，二元语法的数据稀疏问题已经基本消失了。在别的问题中，数据稀疏问题还是经常存在，选取好的平滑方法和参数，仍然是一个重要的问题。
　　p.s. 师兄推荐看《A study of smoothing methods for language models applied to information retrieval》，传说里面对平滑参数的选取有理论的证明。

参考文献

计算语言学讲义(06)词法分析(四)