本次实验使用的数据下载：
jaychou_lyrics.txt
链接：https://pan.baidu.com/s/1LJSrkpV84YF61OPmjIHGIw
提取码：dj53
语言模型
一段自然语言文本可以看作是一个离散时间序列，给定一个长度为 T T T的词的序列 w 1 , w 2 , … , w T w_1, w_2, \ldots, w_T w1,w2,…,wT，语言模型的目标就是评估该序列是否合理，即计算该序列的概率：
P ( w 1 , w 2 , … , w T ) . P(w_1, w_2, \ldots, w_T). P(w1,w2,…,wT).
本节我们介绍基于统计的语言模型，主要是 n n n元语法（ n n n-gram）。在后续内容中，我们将会介绍基于神经网络的语言模型。
语言模型
以下公式，CSDN使用的是KaTeX（latex的渲染器）,不支持align，但可以用aligned 将\begin{align} 改为\begin{aligned}*
假设序列 w 1 , w 2 , … , w T w_1, w_2, \ldots, w_T w1,w2,…,wT中的每个词是依次生成的，我们有
P ( w 1 , w 2 , … , w T ) = ∏ t = 1 T P ( w t ∣ w 1 , … , w t − 1 ) = P ( w 1 ) P ( w 2 ∣ w 1 ) ⋯ P ( w T ∣ w 1 w 2 ⋯ w T − 1 ) \begin{aligned} P(w_1, w_2, \ldots, w_T) &= \prod_{t=1}^T P(w_t \mid w_1, \ldots, w_{t-1})\\ &= P(w_1)P(w_2 \mid w_1) \cdots P(w_T \mid w_1w_2\cdots w_{T-1}) \end{aligned} P(w1,w2,…,wT)=t=1∏TP(wt∣w1,…,wt−1)=P(w1)P(w2∣w1)⋯P(wT∣w1w2⋯wT−1)
例如，一段含有4个词的文本序列的概率
P ( w 1 , w 2 , w 3 , w 4 ) = P ( w 1 ) P ( w 2 ∣ w 1 ) P ( w 3 ∣ w 1 , w 2 ) P ( w 4 ∣
最低0.47元/天 解锁文章
312
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
