nlp中基于统计语言模型对贝叶斯公式的理解

大学期间概率论学过贝叶斯公式，当时感觉它的作用就是用先验概率和似然概率求后验概率，并没有任何直观的感受，仅用于求解不同条件下的概率值。今天读了一本新书，其中的一段基于自然语言处理上的理解给了我很大的启发，豁然开朗，因此发博客分享一下，同时也记录一下自己思考的过程，以供后续对nlp的思考和深入。

简述贝叶斯公式

贝叶斯法则是现在很多模型的基础，现代社会的很多新技术都需要它的支撑，例如：贝叶斯模型估计，机器翻译，Query纠错，搜索引擎等等。该公式由托马斯·贝叶斯生前提出，由好友替他发表论文，定义如下：

p(x|y)是后验概率，p(y|x)是似然概率，p(x)是先验概率，p(y)一般称为标准化常量。由此可见，后验概率就可以用似然概率和先验概率表示。

具体实例——贝叶斯公式在统计语言模型的应用

中文分词的基本原理：中文分词是中文自然语言处理中最底层，最基本的一个技术，所有的文本处理任务都要先进行分词。

最简单的办法就是查字典，如果这词在字典中出现了，那么就是一个词 。查字典最常用的策略就是最大匹配法。最大匹配法是匹配在字典中出现的最长的词。举例来说，“中国地图”， 中国在字典中，中国地不在字典中ÿ