NLP深入学习（六）：n-gram 语言模型

---

0. 引言

前情提要：
《NLP深入学习（一）：jieba 工具包介绍》
《NLP深入学习（二）：nltk 工具包介绍》
《NLP深入学习（三）：TF-IDF 详解以及文本分类/聚类用法》
《NLP深入学习（四）：贝叶斯算法详解及分类/拼写检查用法》
《NLP深入学习（五）：HMM 详解及字母识别/天气预测用法》

1. 什么是 n-gram

n-gram 模型是自然语言处理（NLP）中的一种统计语言模型，它基于马尔可夫假设简化了文本序列的预测问题。在 n-gram 模型中，每个词或符号的概率依赖于它前面的 n-1 个词或符号组成的上下文。

基本概念：

1. n值：

   • n代表连续出现单词的数量。当 n=1 时，模型称为 unigram，仅考虑单个词项的概率。
   • 当n=2时，模型为 bigram，考虑前一个词来估计当前词的概率。
   • 以此类推，三元模型（trigram）考虑前两个词来估计第三个词的概率，四元模型（four-gram）考虑三个词等等。

2. 概率计算：

   • 对于给定的一个句子$T=w1,w2,...,wn$，n-gram 模型通过条件概率链式规则估计整个句子的概率：
     $P(T)=P(w1)?P(w2|w1)?P(w3|w1,w2)?...?P(wn|w1,w2,...,wn?1)$

3. 训练与应用：

   • 训练过程中，n-gram模型通过分析大量文本语料库中的统计数据来估计这些条件概率。
   • 应用场景包括语音识别、机器翻译、拼写纠正、自动补全等，其中模型用于预测下一个最可能出现的词汇。

2. 代码示例

以下是一个简单的Python示例，展示如何使用 n-gram 模型计算一个文本序列的概率（这里以bigram为例）：

import numpy as np

# 假设我们有一个预处理过的单词列表
corpus = ['I', 'am', 'a', 'language', 'model', '.']
vocab = set(corpus)

# 初始化bigram计数字典
bigram_counts = {}

# 计算bigram频率
for i in range(len(corpus)-1):
    current_bigram = (corpus[i], corpus[i+1])
    bigram_counts[current_bigram] = bigram_counts.get(current_bigram, 0) + 1

# 总的bigram数量
total_bigrams = sum(bigram_counts.values())

# 创建平滑后的概率字典（简单地对每个bigram加上1来避免零概率问题）
bigram_probabilities = {bigram: (count + 1) / (total_bigrams + len(vocab)) for bigram, count in bigram_counts.items()}

# 计算句子的概率（假设句子是'I am a language model .'）
sentence = 'I am a language model .'.split()
probability = 1.0

# 计算给定句子的概率
for i in range(len(sentence)-1):
    current_bigram = (sentence[i], sentence[i+1])
    probability *= bigram_probabilities.get(current_bigram, 1e-10)  # 使用一个较小的值作为默认概率防止除以零

print("Sentence probability:", probability)

这个例子非常基础，仅用于说明 n-gram 模型的基本思想。实际应用中，通常需要处理大量数据，并且会使用更复杂的平滑方法和更高阶的n-gram模型。此外，在现代 NLP 任务中，神经网络语言模型如 RNN、LSTM 或 Transformer 已经取代了传统的统计 n-gram 模型，提供了更好的性能。

3. 局限性

n-gram 模型的一个主要问题是数据稀疏性，尤其是在n较大时，某些特定顺序的 n-gram 可能在训练集中未出现过，导致无法准确估计其概率。另一局限性是马尔可夫假设本身的简化性质，即认为当前词只与其前面有限个词相关，忽略了更远距离的上下文信息。

为了克服这些问题，后续研究引入了平滑技术（如拉普拉斯平滑、古德图灵平滑等），以解决零概率问题。随着深度学习的发展，神经网络语言模型如RNN和Transformer逐渐取代了传统的n-gram模型，在捕捉长距离依赖关系上表现出色。但即便如此，n-gram模型仍然是理解和构建复杂语言模型的基础，并且在许多实际应用场景中仍具有重要价值。

4. 参考

《NLP深入学习（一）：jieba 工具包介绍》
《NLP深入学习（二）：nltk 工具包介绍》
《NLP深入学习（三）：TF-IDF 详解以及文本分类/聚类用法》
《NLP深入学习（四）：贝叶斯算法详解及分类/拼写检查用法》
《NLP深入学习（五）：HMM 详解及字母识别/天气预测用法》

欢迎关注本人，我是喜欢搞事的程序猿； 一起进步，一起学习；

也欢迎关注我的wx公众号：一个比特定乾坤