6.1 语言模型

把一段自然语言文本看作一段离散的时间序列。假设一段长度为\(T\)的文本中的词依次为\(w_1, w_2, \ldots, w_T\)，那么在离散的时间序列中，\(w_t\)（\(1 \leq t \leq T\)）可看作在时间步（time step）\(t\)的输出或标签。给定一个长度为\(T\)的词的序列\(w_1, w_2, \ldots, w_T\)，语言模型将计算该序列的概率：

\[ P(w_1, w_2, \ldots, w_T). \]

语言模型的计算

假设序列\(w_1, w_2, \ldots, w_T\)中的每个词是依次生成的，有

\[ P(w_1, w_2, \ldots, w_T) = \prod_{t=1}^T P(w_t \mid w_1, \ldots, w_{t-1}). \]

例如，一段含有4个词的文本序列的概率

\[ P(w_1, w_2, w_3, w_4) = P(w_1) P(w_2 \mid w_1) P(w_3 \mid w_1, w_2) P(w_4 \mid w_1, w_2, w_3). \]

为了计算语言模型，需要计算词的概率，以及一个词在给定前几个词的情况下的条件概率，即语言模型参数。设训练数据集为一个大型文本语料库。词的概率可以通过该词在训练数据集中的相对词频来计算。例如，\(P(w_1)\)可以计算为\(w_1\)在训练数据集中的词频（词出现的次数）与训练数据集的总词数之比。因此，根据条件概率定义，一个词在给定前几个词的情况下的条件概率也可以通过训练数据集中的相对词频计算。例如，\(P(w_2 \mid w_1)\)可以计算为\(w_1, w_2\)两词相邻的频率与\(w_1\)词频的比值，因为该比值即\(P(w_1, w_2)\)与\(P(w_1)\)之比；而\(P(w_3 \mid w_1, w_2)\)同理可以计算为\(w_1\)、\(w_2\)和\(w_3\)三词相邻的频率与\(w_1\)和\(w_2\)两词相邻的频率的比值。以此类推。

\(n\)元语法

当序列长度增加时，计算和存储多个词共同出现的概率的复杂度会呈指数级增加。\(n\)元语法通过马尔可夫假设简化了语言模型的计算。马尔可夫假设是指一个词的出现只与前面\(n\)个词相关，即\(n\)阶马尔可夫链（Markov chain of order \(n\)）。如果\(n=1\)，那么有\(P(w_3 \mid w_1, w_2) = P(w_3 \mid w_2)\)。如果基于\(n-1\)阶马尔可夫链，可以将语言模型改写为

\[ P(w_1, w_2, \ldots, w_T) \approx \prod_{t=1}^T P(w_t \mid w_{t-(n-1)}, \ldots, w_{t-1}) . \]

以上也叫\(n\)元语法（\(n\)-grams）。它是基于\(n - 1\)阶马尔可夫链的概率语言模型。当\(n\)分别为1、2和3时，将其分别称作一元语法（unigram）、二元语法（bigram）和三元语法（trigram）。例如，长度为4的序列\(w_1, w_2, w_3, w_4\)在一元语法、二元语法和三元语法中的概率分别为

\[ \begin{aligned} P(w_1, w_2, w_3, w_4) &= P(w_1) P(w_2) P(w_3) P(w_4) ,\\ P(w_1, w_2, w_3, w_4) &= P(w_1) P(w_2 \mid w_1) P(w_3 \mid w_2) P(w_4 \mid w_3) ,\\ P(w_1, w_2, w_3, w_4) &= P(w_1) P(w_2 \mid w_1) P(w_3 \mid w_1, w_2) P(w_4 \mid w_2, w_3) . \end{aligned} \]

当\(n\)较小时，\(n\)元语法往往并不准确。当\(n\)较大时，\(n\)元语法需要计算并存储大量的词频和多词相邻频率。