NLP中的语言模型(language model)
什么是语言模型
本文参考*语言模型 language model
统计语言模型是一个单词序列上的概率分布,对于一个给定长度为m的序列,它可以为整个序列产生一个概率 P(w_1,w_2,…,w_m) 。其实就是想办法找到一个概率分布,它可以表示任意一个句子或序列出现的概率。
目前在自然语言处理相关应用非常广泛,如语音识别(speech recognition) , 机器翻译(machine translation), 词性标注(part-of-speech tagging), 句法分析(parsing)等。传统方法主要是基于统计学模型,最近几年基于神经网络的语言模型也越来越成熟。
Unigram models
Unigram models也即一元文法模型,它是一种上下文无关模型。该模型仅仅考虑当前词本身出现的概率,而不考虑当前词的上下文环境。概率形式为 ,即一个句子出现的概率等于句子中每个单词概率乘积。
以一篇文档为例,每个单词的概率只取决于该单词本身在文档中的概率,而文档中所有词出现的概率和为1,每个词的概率可以用该词在文档中出现的频率来表示,如下表中
Terms | Probability |
---|---|
a | 0.1 |
world | 0.2 |
likes | 0.05 |
we | 0.03 |
share | 0.26 |
… | … |
对于这篇文档中,所有概率和相加为1,即
n-gram模型
n-gram models也即n元语言模型,针对一个句子 的概率表示如下:
这里可以理解为当前词的概率与前面的n个词有关系,可以理解为上下文有关模型。
n-gram模型中的条件概率可以用词频来计算:
这里举个栗子:我们的原始文档是 doc = “我不想写代码了” ,经过中文分词处理后为 words = [“我”, “不想”, “写”, “代码”, “了”]。
那么产生原始文档doc的概率为:
P(我, 不想, 写, 代码, 了) = P(我) x P(不想|我) x P(写|我, 不想) x P(代码|我, 不想, 写) x P (了|我, 不想, 写, 代码)
相乘的每个概率可以通过统计词频来获得:
P(不想|我) = count(我, 不想) / count(我)
P(写|我, 不想) = count(我, 不想, 写) / count(我, 不想)
P(代码|我, 不想, 写) = count(我, 不想, 写, 代码) / count(我, 不想, 写)
P (了|我, 不想, 写, 代码) = count(我, 不想, 写, 代码, 了) / count(我, 不想, 写, 代码)
如果像上面这样去计算,会疯掉的。。。这种计算太复杂了,所以我们是否可以简化只考虑少数的词呢,如二元bigram模型,当前词只与它前面的一个词相关,这样概率求解就简化很多:
上面那个栗子也可以简化了:
P(我, 不想, 写, 代码, 了) = P(我) x P(不想|我) x P(写|不想) x P(代码|写) x P (了|代码)
相乘的每个概率就更简单了:
P(不想|我) = count(我, 不想) / count(我)
P(写|不想) = count(不想, 写) / count(不想)
P(代码|写) = count(写, 代码) / count(写)
P (了|代码) = count(代码, 了) / count(代码)
这样我们只需要计算语料中每个词出现的次数,以及每两个词出现的次数,就可以求上面的概率了。
这里是以二元模型说明,你也可以使用三元(trigram)、四元模型,方法类似不在多说。前面提到的 Unigram模型其实就是一元模型。
神经网络语言模型(Neural language models)
神经语言模型使用连续表示或词汇Embedding来进行预测。 已神经网络为基础来训练模型。
word2vec模型
这里未完待续。。。