PyTorch搭建N-gram模型实现单词预测

N-gram模型就是假设预测这个单词只与前面的N-1个单词有关，并不是和前面所有的词都有关系。

所以，对于1-gram（每个词都是独立分布的）:

P(w1, w2, w3, … , wn) = P(w1)P(w2|w1)P(w3|w1w2)P(w4|w1w2w3)…P(wn|w1w2…wn-1)

                                     ≈ P(w1)P(w2)P(w3)P(w4)…P(wn)

2-gram（每个词都与左边最近的那个词有关）:

P(w1, w2, w3, … , wn) = P(w1)P(w2|w1)P(w3|w1w2)P(w4|w1w2w3)…P(wn|w1w2…wn-1)

                                     ≈P(w1)P(w2|w1)P(w3|w2)P(w4|w3)…P(wn|wn-1)

3-gram（每个词都与左边最近的那两个词有关）:

P(w1, w2, w3, … , wn) = P(w1)P(w2|w1)P(w3|w1w2)P(w4|w1w2w3)…P(wn|w1w2…wn-1)

                                     ≈ P(w1)P(w2|w1)P(w3|w1w2)P(w4|w2w3)…P(wn|wn-2wn-1)

而：P(w2|w1)=语料库中w1和w2出现的次数/语料库中w1出现的次数

对于这个条件概率，传统的方法是统计语料中每个词出现的频率，根据贝叶斯定理来估计这个条件概率，这里我们就可以用词嵌入对其进行代替，然后最大化条件概率从而优化词向量，据此进行预测。

下面对代码进行说明：

• 首先添加引用，net里面是定义的n-gram模型，

import torch
from torch import nn, optim
import net

class n_gram(nn.Module):