【总结】几个简单语言模型平滑方法

首先说一下为什么要采用平滑操作：
　因为在数据库统计词语的结果中，一定会出现大量的零（稀疏），从而导致识别的结果出现错误，比如在你的语料库中没有＇他＇这个字，统计概率就为０，但你不能因为这个的概率为０，就把所有的带’他’的句子统计为概率是０，这是不合理的，所以要对所统计的结果进行平滑操作，避免统计结果稀疏。
Laplace平滑
　这是平滑方法中最为简单粗暴的一个方法，原理就是让每个统计的频数至少为１，做法就是将每个统计频率分子加１，分母加所有统计汉字的个数，这样的话就可以把本来概率为0结果变为一个很小的值，也是比较合理。
　但在实际的应用中却会出现一些问题，由于总的统计概率一定是1，那么这些后来增加的概率就必然会造成原来大概率的减小，而且实验证明，这种减小是巨大的，那么就可能会导致结果的不准确。
Add-k平滑
　这种平滑方法是Laplace平滑方法的一个扩展，其实Laplace平滑又叫Add-one平滑，这样你就理解为什么这里会有一个Add-k方法了吧，就是给加的数量多了一些选择的余地，但这种余地是好是坏还需要根据你自己统计的实际情况来看。

很遗憾，到现在为之，我也就用到了这两种简单的平滑方法，先总结如下，如果之后有需要使用到更多的平滑方法的话，我也会及时的补上。