笔记(总结)-统计语言模型

在自然语言处理的相关问题中，如何表示句子是建模分析的关键。与传统的图像、音频等天然可转化为计算机编码的元素不同，自然语言需要经过复杂编码才能被计算机识别。并且，这种编码是机械式的简单排列，设计初衷是为了解决自然语言的存储问题，编码本身不带有任何语言层面的信息。因此，直接使用自然语言的编码对文字进行转换而后建模是不可靠的，过程中丢失了太多的信息。语言模型正是解决了这样的问题。

---

语言模型有很多种，计算机领域常用的有统计语言模型和神经语言模型，本篇先只描述统计语言模型。

统计语言模型定义

假设句子可以表示为：

$S=w_1w_2...w_n$

其中$w_i，i=1,2,...,n$为组成句子的基本单位（可以为字、词等划分单位，下文统称为词）。那么以该句子的出现的概率$P(S)$来描述该句子的合理性。

可以看到，该定义用概率对语言建模，而不需要进行语言层面的分析。这其实是机器学习解决问题的典型思路，自然界的事物规律可以由概率表达，概率大的事件更加可能出现、更合理，反之亦然。概率本身就可以描述语言现象的合理性。

---

$P(S)$的具体定义

在自然语言中，上下文是相关的。如果以句子为单位，很容易发现，下文是依赖于上文的。比如在对话过程中，人们往往能根据对方已说出的话，来推测接下来对方要说什么。使用条件概率来刻画这种依赖是十分合适的，于是可以定义概率如下：

$P(S)=p(w_1)p(w_2|w_1)p(w_3|w_1w_2)...p(w_n|w_1w_2...w_{n-1})$

$w_i$的概率由$w_1w_2...w_{i-1}$决定，后者也叫做$w_i$的历史。

---

问题简化——n元文法

可以看到，原始定义的概率论意义是十分完备的，每个词都基于历史。但这样是有问题的。建模过程中，需要具体计算形如$p(w_i|w_1w_2...w_{i-1})$的参数。假设词汇表的大小为$L$，那么$w_1w_2...w_{i-1}$的不同排列组合有$L^{i-1}$种，而这只是计算$w_i$所需要的参数。

因此，我们采取简化的方法，只考虑与该词最近的一段历史（马尔可夫的思路），比如最近的一个词，此时称作二元文法（2-gram）：

$P(S)=p(w_1)p(w_2|w_1)p(w_3|w_2)...p(w_n|w_{n-1})$

这样的概率处理在语言学上也是说得通的，距离当前词越近的词，造成的影响越大，而距离较远的词，往往产生的影响较小。当然，这不是绝对的，语言现象中有许多反例。但是，借由这种处理，我们达到了“合理建模”与“模型可计算”的巧妙折中。

当认为一个词由前面的$n-1$个词决定时，称作n元文法。显而易见，随着n的增大，参数量呈指数增加。现实中往往取$n=2,3$，工业界一般会取$n=4$。

针对某一个句子，通常增加开始符和结束符使得概率定义更加完备，举例改写二元文法为：

$P(S)=p(<BOS>|w_1)p(w_2|w_1)...p(w_n|w_{n-1})p(<EOS>|w_n)$

---

参数计算与平滑

一般使用极大似然估计来进行参数估计，即使用已有的采样数据（训练集）来估计模型参数，使得训练集的语言现象得到最大可能性的复现。显然，极大似然在n元文法的场景下就是通过频数来得到概率参数。此时有（以二元文法举例）：

$P(w_i|w_{i-1})=\frac{\sum{Count(w_{i-1}w_i)}}{\sum{Count{(w_i)}}}$

其中，$Count(w_{i-1}w_i)$表示子串$w_{i-1}w_i$的出现次数，同理$Count(w_i)$。

语言现象是丰富的，即使训练集再庞大，也不可能包括所有子串。当测试集中出现了训练集中没有的词或子串时，句子概率会等于0，但这显然是不科学的。因此我们需要对概率进行平滑，使得即使是没有出现的句子，在模型中计算得到的概率不为0，转而设置为一微小量。

参数平滑方法有很多：加一法（additive smoothing）、折扣法（discounting）、删除减值法等。在各个领域都是适用，这里就暂不详述了。

---

缺陷

上一部分已经看到，即使是很大的训练集也无法覆盖全部的语言现象，从而导致0概率问题的出现。使用概率进行建模的弊端也在此：依赖语言现象出现的频数。而频数是语料敏感的，不同的语料集之间差异巨大，比如新闻语料和微博语料对于语言的使用风格差异巨大，由此统计而来的频数规律肯定大不相同。在某些场景下，频数甚至无法反映语言现象，如情感分析中，表达情感的词通常是低频出现的，这时统计语言模型无法很好建模。