nlp - 愚蠢的退避实现说明

Question

大家好，我正在实现 Stupid Backoff (第 2 页，等式 5)我正在从事的项目的平滑技术，我对其实现有疑问。这是 NLP 中使用的平滑算法，Good-Turing 是我猜最广为人知的类似算法。

该算法的简要说明是:
当试图找到单词出现在句子中的概率时，它首先会在 n-gram 级别寻找单词的上下文，如果没有那个大小的 n-gram，它将递归到 (n-1)-gram并将其分数乘以 0.4。递归在 unigrams 处停止。

因此，如果我想在“晴天”的上下文中找到“天”的概率，它会首先查看语料库中是否存在三元组“晴天”，如果不存在，则尝试与二元组“晴天”，最后它只会得到“天”的频率除以语料库大小(训练数据中的单词总数)。

我的问题是:每次减少 n-gram 的大小时，我是否将分数乘以 0.4？

因此，在上面的示例中，如果我们无法找到三元组或二元组，则最终分数将是:

0.4 * 0.4 * 频率(天)/语料库大小？

或者我只是在最终级别乘以一次，所以无论我必须进行多少退避，我都只将最终分数乘以 0.4？

Answer 1

基本上我读到了你在上面的数学中描述的等式 5。

因此，对于没有观察到实例的“晴天”，您将计算 S("day"| "a sunly")。找不到三元组“晴天”，您将在等式 5 中采用案例二，并将 S("day"| "a sunny") 估计为 alpha * S("day"| "sunny")。

如果再一次，您没有记录“晴天”的纪念日，您会将 S("day"| "sunny") 近似为 alpha * S("day")，这是终端情况 f("day")/N(观察到的 unigrams 的数量)。

通过将 alpha 设置为 0.4，您将得到上面写的内容。

希望这可以帮助。

-bms20