一、背景
近期研究了一下语言模型,同事推荐了一个比较好用的工具包kenlm,记录下使用过程。
二、使用kenlm训练 n-gram
1.工具介绍:http://kheafield.com/code/kenlm/
3.解压后运行,./bjam 进行编译
4.使用如下命令进行训练:bin/lmplz -o 5 --verbose_header --text data/chat_log.txt --arpa result/log.arpa --vocab_file result/log.vocab
备注:4.1 文件必须是分词以后的文件。
4.2 -o后面的5表示的是5-gram,一般取到3即可,但可以结合自己实际情况判断。
三、使用kenlm判断一句话概率
使用kenlm主要就是对arpa文件内容的运行,下面解析下该文件的内容。
1.arpa文件
\1-grams:
-6.55140920
0-2.9842114
-1.85864340
-2.88382!-2.38764
-2.94351world-0.514311
-2.94351hello-0.514311
-6.09691guys-0.15553
\2-grams:
-3.91009world !-0.351469
-3.91257hello world-0.24
-3.87582hello guys-0.0312
\3-grams:
-0.00108858hello world !
-0.000271867, hi hello !
\end\
1.1 介绍