第1个回答 2019-12-28
简单随风
全栈测试开发
N-Gram模型介绍
10 人赞同了文章
为你朗读
7 分钟
1.N-Gram的原理
N-Gram是基于一个假设：第n个词出现与前n-1个词相关，而与其他任何词不相关。（这也是隐马尔可夫当中的假设。）整个句子出现的概率就等于各个词出现的概率乘积。各个词的概率可以通过语料中统计计算得到。假设句子T是有词序列w1,w2,w3...wn组成，用公式表示N-Gram语言模型如下：
P(T)=P(w1)p(w2)p(w3)p(wn)=p(w1)p(w2|w1)*p(w3|w1w2)*p(wn|w1w2w3...) 一般常用的N-Gram模型是Bi-Gram和Tri-Gram。分别用公式表示如下：
一元Bi-Gram: P(T)=p(w1|begin)p(w2|w1)p(w3|w2)***p(wn|wn-1)
二元Tri-Gram: P(T)=p(w1|begin1,begin2)p(w2|w1,begin1)p(w3|w2w1)***p(wn|wn-1,wn-2) 除此之外，还有four-gram、five-gram等，不过n>5的应用很少见。
2.unigram model、bigram model、trygram model简单介绍及推理
unigram model
不考虑每个词的出现顺序,即P(A,B)=P(A)*P(B)
P(w1,w2,w3,...wn)= P(w1)P(w2)P(w3)...P(wn) - 举例：P(I am going home) = P(I) P(am) P(going) P(home) - 缺点：因为不考虑单词出现的顺序，所以会出现P(I am going home) = P(am going home I) ，无法判别真实的语句情况
例： P(今天 是 周日) = P(今天)P(是)P(周日) 比如我们准备了一个拥有1W句话（10W个单词）的语料库，“今天”一共出现了103次，则P(今天)=0.00103，即P(w) = 词频/词库总数
Bi-Gram:bigram model
在一阶的马尔科夫条件下，P(w1,w2,w3,...wn)= P(w1)P(w2|w1)P(w3|w2)...P(wn|w_{n-1}) - 举例：P(I am going home) = P(I) P(am|I) P(going|am) P(home|going)
例： P(今天 是 周日 大伙 休息) = P(今天)P(是|今天)P(周日|是)P(大伙|周日)P(休息|大伙)
此时 P(是|今天) = P(今天 是)/P(今天)
即 P(wn|w_{n-1}) = P(w_{n-1}wn)/P(w_{n-1})
Tri-Gram：trygram model
trygram model类似于bigram model，不过trygram会计算每个单词的前两个单词，P(w1,w2,w3,...wn)= P(w1)P(w2|w1)P(w3|w1w2)...P(wn|w_{n-2}w_{n-1})
例： P(今天 是 周日 大伙 休息) = P(今天)P(是|今天)P(周日|今天是)P(大伙|是周日)P(休息|周日大伙)
此时 P(周日|今天 是) = P(今天 是 周日)/P(今天 是)
即 P(wn|w_{n-2}w_{n-1}) = P(w_{n-2}w_{n-1}wn)/P(w_{n-2}w_{n-1})
3.N-gram中的数据平滑方法
上面提到，N-gram的NN越大，模型 Perplexity 越小，表示模型效果越好。这在直观意义上是说得通的，毕竟依赖的词越多，我们获得的信息量越多，对未来的预测就越准确。然而，语言是有极强的创造性的（Creative），当NN变大时，更容易出现这样的状况：某些n-gram从未出现过，这就是稀疏问题。 n-gram最大的问题就是稀疏问题（Sparsity）。
例如，在bi-gram中，若词库中有20k个词，那么两两组合（C220kC20k2）就有近2亿个组合。其中的很多组合在语料库中都没有出现，根据极大似然估计得到的组合概率将会是0，从而整个句子的概率就会为0。最后的结果是，我们的模型只能计算零星的几个句子的概率，而大部分的句子算得的概率是0，这显然是不合理的。
因此，我们要进行数据平滑（data Smoothing），数据平滑的目的有两个：一个是使所有的N-gram概率之和为1，使所有的n-gram概率都不为0。它的本质，是重新分配整个概率空间，使已经出现过的n-gram的概率降低，补充给未曾出现过的n-gram。
拉普拉斯平滑
Add-one Smoothing Add-one是最简单、最直观的一种平滑算法。既然希望没有出现过的N-Gram的概率不再是0，那就不妨规定任何一个N-Gram在训练语料至少出现一次（即规定没有出现过的N-Gram在训练语料中出现了一次），则: countnew(n-gram)=countold(n-gram)+1countnew(n-gram)=countold(n-gram)+1 于是，对于unigram模型而言，会有：
同理，对于bigram模型而言，可得：
如此一来，训练语料中未出现的n-Gram的概率不再为 0，而是一个大于 0 的较小的概率值。Add-one 平滑算法确实解决了我们的问题，但显然它也并不完美。由于训练语料中未出现n-Gram数量太多，平滑后，所有未出现的n-Gram占据了整个概率分布中的一个很大的比例。因此，在NLP中，Add-one给训练语料中没有出现过的 n-Gram 分配了太多的概率空间。此外，认为所有未出现的n-Gram概率相等是否合理其实也值得商榷。而且，对于出现在训练语料中的那些n-Gram，都增加同样的频度值，这是否欠妥，我们并不能给出一个明确的答案。
Add-k Smoothing 由Add-one衍生出来的另外一种算法就是 Add-k。既然我们认为加1有点过了，不然选择一个小于1的正数 k。此时，概率计算公式就变成了：
通常，add-k算法的效果会比Add-one好，但是显然它不能完全解决问题。但是缺点是这个常数仍然需要人工确定，对于不同的语料库K可能不同。
4.内插与回溯
插值和回退的思想其实非常相像。设想对于一个trigram的模型，我们要统计语料库中 “like chinese food” 出现的次数，结果发现它没出现过，则计数为0。在回退策略中，将会试着用低阶gram来进行替代，也就是用 “chinese food” 出现的次数来替代。 在使用内插值法时，我们把不同阶别的n-Gram模型线形加权组合后再来使用。
内插法（Interpolation）
如下是一个三阶组合，假设p(wn|wn−1wn−2)=0p(wn|wn−1wn−2)=0，而p(wn|wn−1)>0p(wn|wn−1)>0且p(wn)>0p(wn)>0，则加权平均后的概率不为0，从而达到平滑的效果。
回溯法
回溯法（backoff）与内插有点像，只是它会尽可能地用最高阶组合计算概率，当高阶组合不存在时，退而求其次找次低阶，直到找到非零组合为止。参考下式，这是一个递归运算。
5.语言模型(LM)评估
理想情况下： - 假设有两个语言模型A、B - 选定一个特定的任务比如拼写纠错 - 把模型A，B都应用在此任务中 - 最后可以计算出错误率，从而可以比较A和B的表现
缺点： 1. 需要针对场景搭建整个模型，比较低效 2. 可能模型在某个场景下准确率比较高，换一个场景后准确率可能就没那么高了。
所以需要一个更简便的评估方法：Perplexity Perplexity = Negative Average Log Likelihood
一个语言模型表现更好好就是说它在测试集合表现更好，也就是说使得测试数据能有更高产生概率(assign a higher score to test data) 在这个基础上表征了这一特征，perplextiy越低则表示测试数据产生概率越高。
Perplexity另一种表达：