nlp - 愚蠢的退避实现说明

Question

大家好，我正在为我正在从事的项目实施Stupid Backoff（第 2 页，等式 5）平滑技术，我对其实施有疑问。这是 NLP 中使用的平滑算法，我猜 Good-Turing 是最著名的类似算法。

该算法的简要描述是：当试图找到单词出现在句子中的概率时，它将首先在 n-gram 级别查找单词的上下文，如果没有该大小的 n-gram，它将递归到(n-1)-gram 并将其分数乘以 0.4。递归停止在一元组。

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，它会尝试与二元组“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：每次减小 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）/corpus_size？

还是我只是在最终级别乘以一次，所以无论我必须做出多少退避，我都只是将最终分数乘以 0.4？

Answer 1

基本上，我阅读了您在上面的数学中描述的方程式 5。

因此，对于没有观察到实例的“晴天”，您将计算 S("day" | "a Sunny")。没有找到三元组“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”，您会将 S("day" | "sunny") 近似为 alpha * S("day")，即最终情况 f("day") / N (the观察到的一元组数）。

通过将 alpha 设置为 0.4，您可以得到上面写的内容。

希望这可以帮助。

-bms20

Answer 2

是的，由于找不到搜索的短语，每次向下转换到较低的 n-gram 模型时，您都需要乘以 0.4。

根据公式，每次都将 0.4 乘以“愚蠢的退避”分数。