自然语言处理 ---统计语言模型 By super.Y
自然语言 怎样理解自然语言？ 惯性思维：分析语句，获取语义。 分析语句 E.g.男篮惨败伊朗
句子 主语 谓语 句号 名字短语 名词 动词 名词 男篮 惨败 伊朗 。
规则的劣势 好复杂！ 好慢！计算机程序语言是上下文无关文法，而自然语言是上下文有关。根据高德纳（Donald Knuth）提出的计算复杂度，对于上下文无关文法复杂度是语句长度的二次方，而有关文法为六次方。 常识。The pen is in the box. The box is in the pen.
统计语言模型 贾里尼克提出了基于统计的语音识别的框架。 一个句子是否合理？概率大的比较合理。 S=w_1w_2….w_n. P(S)=P(w_1)P(w_2|w_1)…P(w_n|w_1..w_n-1)
好难算？！！！！ P(w_n|w_1..w_n-1)，怎么算？？？？ 马尔科夫假设：w_i只与w_i-1 有关。 P（S）=P(w_1)P(w_2|w_1)…P(w_n|w_n-1)
P(w_i|w_i-1)=P(w_i,w_i-1) /P(w_i-1) 语料库（Corpus），根据大数定理。 P(w_i,w_i-1) ≈ #(w_i-1,w_i)/# P(w_i-1) ≈ #(w_i-1)/#
显然不对 模型的训练，零概率问题 如果 #(w_i-1,w_i) = 0 , P(w_i|w_i-1)=0? 如果 #(w_i-1,w_i) = #w_i-1 = 1 P(w_i|w_i-1)=1? 显然不对
怎么办？ 1.增加数据量，增大语料库 实践证明，但现实中是无法避免零概率问题的。 2.古德-图灵估计（Good – Turing Estimate） 对于没有看见的事件，我们不能认为它概率为0，因此我们要从概率总量中，分配一个很小的比例给这些没有看见的事件。这样，看见的那些事件概率总和就小于1.
古德-图灵估计 语料库中出现r次的词有N(r)个。则 N=∑ r N(r). 当r很小的时候，它的统计就不可靠，因此出现这样的r次的词在估计它的概率时就要使用一个更小的次数，d_r < r. d_r = (r+1) N(r+1) / N(r) 一般短的词出现次数大于长的词（Zipf ’s Law）。 即N（r+1） < N(r)，所以一般情况下d_r < r。
通过这种微调一石二鸟。 1.解决了零概率问题。 2.下调了出现频率很低的词的概率。 实际操作中，次数超过某个阈值的词不下调频率。
中文分词 1.最大匹配（结婚的和尚未结婚的） 结婚/的/和尚/未结婚的 2.最少分词（为人民办公益） 为人/民办/公益 3.统计语言模型。找出概率最大的分词方法。