NLP中的语言模型(language model)

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/huanghaocs/article/details/77935556

什么是语言模型

本文参考维基百科语言模型 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 $P(w_1,w_2,...,w_m)=P(w_1)*P(w_2)*...*P(w_m)$ ，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 $\sum P(term) = 1$

n-gram models

n-gram models也即n元语言模型，针对一个句子 $w_1,w_2,...,w_m$ 的概率表示如下：

$$P(w_1,w_2,...,w_m)= \prod_{i=1}^{m}P(w_i|w_1,...,w_{i-1})=\prod_{i=1}^{m}P(w_i|w_{i-(n-1),...,w_{i-1}})$$ 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
$$P(w_i|w_{i-(n-1)},...,w_{i-1})=\frac{count(w_{i-(n-1)},...,w_{i-1},w_i}{count(w_{i-(n-1)},...,w_{i-1})}$$

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。
这里未完待续。。。