转载自   NLP Coursera By Michael Collins - Week1

NLP Coursera By Michael Collins - Week1

构建模型框架 - Markov Process

毕竟是机器学习嘛，所以第一步，先要把实际问题转化成数学模型。

 

在NLP中，一般使用的都是概率模型，即把语言模型变成概率论范畴。

比如说，现在有一段语音，说的很含糊，没有听清楚，好像是“like your”，又好像是“lie cured”。

那么到底是哪一种呢？我们就看在现有的语料库中，到底是“like your”出现的概率大，还是“lie cured”的概率大。

于是就把语音识别问题转变成了一个概率问题：输入一串字符，输出这串字符组合在一起的概率，如果概率大，就是正确的句子。

下面构建这个模型

至此，模型框架搭建完毕，但是参数还没有设定好。

也就是说，现在如果向模型中随便输入一个句子，要求输出的结果是这个句子出现的概率。

那么我们就需要事先知道模型中，每一个p(w|u,v)。

用如下方式来计算：

对于上面的计算方法，不能解决出现概率为0，但实际这句句子是合理的情况。

下面介绍两种方法，来对上面的计算方法进行改进：

第一种是Linear Interpolation：

这里的三个系数用下面的方法进行选择：

其实这个方法就是将三种计算概率的方式线性结合起来，具体的结合方式有很多种，上面只是其中一种。

上面这个方法中的三个系数和概率本身没有关系，但是更好的方法是让他们有关系：

bucketing法：对不同范围内的counts，使用不同的系数

将三个系数都写成同一个参数的线性组合：

 

第二种是Discounting Method:

这个方式就是，从概率不为0的情况中分出一部分的概率给概率为0的情况。

至此为止，整个模型搭建完毕。

 

评价模型

一般情况下：

当服从均匀分布的时候：

 

以上就是这一周的课程中讲的内容。notes中的内容和这个一样，基本没有什么补充。

下面用一张流程图来总结一下整个模型的构建过程。