123

Posted 2020-08-03 奋斗中的菲比

常用的语言模型都是在近似地求 P(wt|w1,w2,…,wt−1)P(wt|w1,w2,…,wt−1)。比如 n-gram 模型就是用 P(wt|wt−n+1,…,wt−1)P(wt|wt−n+1,…,wt−1) 近似表示前者。

一种用神经网络构建二元语言模型（即 P(wt|wt−1)P(wt|wt−1)）的方法

 4.1 词向量 

1.one-hot-represatation

对一个词表顺序编号1苹果2水果3芒果4葡萄5香蕉

出现芒果则第三个位置对应1其他位置为0

00100

1.维数灾难，2.无法计算相似度

2. Distributed Representation 

word2vec就是采用这种方法

将词映射成k维空间的向量

可以通过余弦，欧氏距离计算相似度

4.2 统计语言模型

　就是字符串的概率

（1）上下文无关模型（Context=NULL

??(??_t|Context)= ??(????)=??(??_t)/ ?? 

相当于n=1

（2）n-gram 模型（Context= ????−n+1, ????−n+2,…,????−1） 

n=2叫bigram

n-gram 模型的优点包含了前 N-1 个词所能提供的全部信息，只看 N-1 个词