语言模式是自然语言处理的一个基础概念。我们可以从语料中得到「语言模型」—— 即句子的概率，可用于：
- 发现错别句子
- 发现新短语
- 生成句子（如模仿汪峰写歌）
机器怎样理解自然语言呢？有两种思路：
- 学习语法：词性、句子成分，但不能保证语义，如，火星追杀绿色的梦
- 概率统计齐夫定律：频率最高的单词出现的频率大约是出现频率第二位的单词的2倍，而出现频率第二位的单词则是出现频率第四位的单词的2倍），香农的信息论
概率论基本原理
概率空间：所有可能的结果。概率中的原子结构是基本事件，不可分割，不重叠；分子结构是事件（基本事件的集合）。事件的概率，可以理解为所选取的基本事件在整个空间里占的面积比例。
- 联合概率 P(A,B)：两个事件同时发生，比如掷两次筛子，可能有 $6^2$ 种结果。
-
条件概率 P(B|A)：A 条件下 B 发生的概率。从一个大的空间进入到一个子空间（切片），计算在子空间中的占比。
概率语言模型
- 计算句子的概率： P(S) = P(w_1,w_2,w_3,...,w_n)
- 用处：句子错误检查、输入法候选、生成有用的句子等等
- 统计：随着空间膨胀，数据变稀疏，样本有效性降低
对句子做最简化的处理，先考虑只有两个词的句子，根据条件概率公式，它的概率等于第一个词的空间占比，乘以第一个词的概率空间中第二个词的占比：P(w_1,w_2) = P(w_2|w_1)*P(w_1)
最初级的语言模型（Unigram），可以人为地假设词之间是独立的： P(w_2|w_1) ≈ P(w_2)，于是这个句子的概率约等于两个词的频率相乘： P(w_2,w_1) ≈ P(w_1)*P(w_2)
如果把两个词的句子扩展为三个词：
以此类推：
这样做的话，对每个词要考虑它前面的所有词，这在实际中意义不大。可以做些简化吗？
我们可以基于马尔科夫假设来做简化。
马尔科夫假设是指，每个词出现的概率只跟它前面的少数几个词有关。比如，二阶马尔科夫假设只考虑前面两个词，相应的语言模型是三元模型。引入了马尔科夫假设的语言模型，也可以叫做马尔科夫模型。
马尔可夫链（Markov chain）为狀態空間中经过从一个状态到另一个状态的转换的随机过程。该过程要求具备“无记忆”的性质：下一状态的概率分布只能由当前状态决定，在时间序列中它前面的事件均与之无关。
比如对上面公式做一个 i-k 的简化：
物理意义上说，上面的公式意味着每次看到 i 时，只要关注 i 前面的 k 个词，这就是 N-gram 模型的思路。
Ref
- 齐夫定律
- 蒙特卡罗方法入门 - 阮一峰的网络日志
- Language Modeling - Course notes for NLP by Michael Collins, Columbia University
- Language Modeling with Ngrams
- 4 - 1 - Introduction to N-grams- Stanford NLP - Professor Dan Jurafsky & Chris Manning - YouTube
- 马尔可夫链 - Wikiwand
- sunoonlee 同学的笔记
- DeepLearning101/zhatrix/DeepLearning101
Art & Code 的热门文章
- DeepLearning笔记：Docker 入门和用 Python 实现词频统计
- 设计师学编程？从五个思维训练开始
- 菜鸟数据科学入门01 - 工具包概略
- 菜鸟数据科学入门02 - IPython 基础
- 菜鸟数据科学入门03 - NumPy 数组基础和基本操作
- 多用Git少交税
- VR 学习图谱
