詳解kenlm語言模型計算過程

import kenlm
model = kenlm.language("tri_gram_language_model.arpa")
score = model.score("銀行 放貸 行為")
print(score)  
---------------------------------
>>> -7.153961658477783
score = model.score("銀行 放待 行為")
print(score)  
----------------------------------
>>> -11.517741203308105

上述**幾個要點：

（1）tri_gram_language_model.arpa為訓練好的n-gram語言模型，此處是我自己利用乙個很小的文字訓練出來的3-gram語言模型，模型檔案內容如下，因為我這裡訓練的是3-gram語言模型，所以模型檔案中，分別對應1-gram、2-gram及3-gram的模型引數。

圖1（2）模型檔案引數說明，以1-gram中的「-4.405105 中廣網 -0.07266096」作為說明，數字「-4.405105」可以看成是「中廣網」這個詞出現的概率，然後取10為底的對數得到，即lg(p(中廣網))=-4.405105，數字「 -0.07266096」為回退概率（back probability），在計算2-gram的未登入詞會用到它，這裡不用太過關注，需要額外了解的，可以參考這篇博文**n-gram語言模型的原理。值得說明的是，對於3-gram中的引數，沒有回退概率這樣一項引數，這是因為本模型最多是3-gram，而回退概率是在計算4-gram才會用到，所以3-gram引數中不需要這一列。

（3）model.score("銀行放貸行為")返回結果表示「銀行放貸行為」這句話是人話的概率，也就是說返回分數越高，這句話就越像人話，分數越低，這句話就越不像人話，也就是越不符合我們日常的表達；從上面例子可以看到「銀行放貸行為」比「銀行放待行為」更符合人話

（4）model.score() 傳入句子時，不同詞語之間需要用空格隔開（即分詞後的句子）

（1）語言模型概率——鏈式法則回顧

計算乙個句子（w1，w2，w3，w4，w5）的概率可以用下式表示：

通過馬爾科夫假設，將上述計算轉化為3-gram模型，也就是計算某乙個單詞概率時，只依賴前面的2個詞語，具體公式如下：

（2）kenlm實際上就是通過上述模型進行計算(以計算「銀行放貸行為」這句話概率為例)

（3）條件概率計算規則

直接在arpa檔案中查詢，如果有則直接返回它的pro(圖1中第一列引數)，否則返回的pro(圖1中第一列引數)。

直接在arpa檔案中查詢，有則直接返回它的pro，否則返回back_pro(w1) + pro(w2)的結果。back_pro為圖2中第一列引數

這個稍微複雜，具體參照下圖

（4）具體計算過程

計算可能用到的n-gram引數如下：

pro n-gram back-pro -4.540702 0 0 -0.39536887 -2.7043288 銀行 -0.15291257 -4.247026 放貸 -0.07266093 -3.3257697 行為 -0.18192981 -1.4688878 0 -2.662721 銀行 -0.0610168 -2.8920295 銀行放貸 -0.0610168 -1.1110907 放貸行為 -0.0610168 -0.77461904 行為 0 -0.7025586 銀行放貸行為

p(放貸|銀行) = -0.0610168-2.8920295 = -2.953046 (因為"銀行放貸"三元組引數不存在，最終結果等於back_pro("銀行") + pro("銀行放貸"))

p(行為|銀行放貸) = -0.7025558

p(|放貸行為) = -0.0610168-0.77461904= -0.835635 （因為"放貸行為 "三元組引數不存在，最終結果等於back_pro("放貸行為") + pro("行為 ")）

最終結果為 -2.662721 - 2.953046 - 0.7025558 - 0.835635 = - 7.15396

詳解kenlm語言模型計算過程

詳解ROC AUC計算過程

遞迴計算過程和迭代計算過程

PinBlock計算過程

詳解kenlm語言模型計算過程

詳解ROC AUC計算過程

遞迴計算過程和迭代計算過程

PinBlock計算過程

相關推薦