Blog 7 | 数学之美 折服于隐马尔可夫模型

数学之美读书笔记（未完待续）

                                 ——算法的魅力 数学模型

一、数学概率统计模型|应用中文分词

已知：一句话S，有多种分词形式

　　　　A1 A2 A3

　　　　B1 B2 B3 B4

例如：

        在北京大学

        在 北京 大学

        在北京 大学

        在 北京大学

提问：如何从这些分词形式中选一种最自然的分词方式？

策略：假设 语料库（Corpus）作为训练样本

      计算出“每种分词方式”组合后句子出现的概率，概率越大 说明这种分词方式使用最广泛。

      因此套用数学概率计算模型：

      P（A1，A2，A3）>P（B1，B2，B3，B4）

 

二、数学概率统计模型|应用语音识别：隐马尔可夫模型

基本概念：

　　　　　　隐马尔可夫模型 (Hidden Markov Model，HMM) ：

　　　　　　　　　　　　　　　　　　　　　　　　　　　　一种统计模型，用来描述一个含有隐含未知参数的马尔可夫过程。

  　　　　　通过观察到的参数（马尔可夫链）推测隐含过程的参数（状态转移序列），同时隐含参数之间也有关系（转换概率）。

　　　　　  马尔可夫假设：

　　　　　　　　　　　　　　一个状态的转移只依赖于之前的n个状态，当n取1时就是马尔可夫假设。

           

 

            独立性假设：假设任意时刻的观测只依赖于该时刻的马尔可夫链的状态，与其它观测状态无关。

                   

 

例如1：

　　　　通过不同面数骰子摇出来的一系列数字，推测到底用了哪些骰子。

　　　　前提（输出概率）：已知每个骰子和每个数字的概率。

例如2：

        通过某天活动的类型，推测当天的天气。

        前提（输出概率）：已知 在每个天气下每个活动发生的概率。

 

 

语音识别：

        通过语音o1,o2,o3 推测语音想表达的文字意思s1,s2,s3（并不只是单纯的文字翻译，更是识别用户对计算机的发出的指令）。

 

在已知 o1,o2,o3,...的情况下，求使得条件概率P (s1,s2,s3,...|o1,o2,o3....)

                                         = P (o1,o2,o3,...|s1,s2,s3....) * P(s1,s2,s3,...) 达到最大值的那个句子。

P(o1,o2,o3,...|s1,s2,s3....) 表示某句话 s1,s2,s3...被读成 o1,o2,o3,...的可能性, 而根据独立性假设，即 P(o1,o2,o3,...|s1,s2,s3....) =P(o1|s1) * P(o2|s2)* P(o3|s3)...

 

算法对于软件的作用：以上只是近期短时间内学习的短小总结，路漫漫其修远兮，还有关于前向后向以及具体矩阵、函数等等的运用还需要再理解。关于这次模型的学习，可以总结，数学知识的高度决定了思维的高度，思维的高度正是算法能够实现的基础，任何一个软件的算法的卓越必然需要扎实的基本功来实现。此次学习我总结了对于难懂晦涩的知识的学习步骤：先看网上优秀总结的博客，他们运用简单（骰子、天气活动）等例子解释知识，方便入门；接着是看优秀论文，高难度的算法思维需要慢慢啃。

留下的疑问：为什么语音识别要转化为P(o1...|s1...)？即在语音识别中，P(o1...|s1...)或P (s1,s2,s3,...|o1,o2,o3....)如何计算的？

 

 

此次学习参考：

http://www.52nlp.cn/hmm-learn-best-practices-four-hidden-markov-models

https://www.cnblogs.com/bigmonkey/p/7230668.html  （重点推荐入门点击！！！）

https://wiki.mbalib.com/wiki/%E9%9A%90%E9%A9%AC%E5%B0%94%E6%9F%AF%E5%A4%AB

https://www.cnblogs.com/skyme/p/4651331.html

 

关于代码规范：

《高质量C++/C编程指南》作者： 林锐

https://wenku.baidu.com/view/07631b604a73f242336c1eb91a37f111f1850d37.html

 

展望：本学期想利用自己学到的知识做一个应用数学模型的“预判”小程序。