bow

回退法里的 Bow（回退概率 ），和 NLP 里的计算方式相关，跟计算机视觉里的词袋模型（BoW）不是一回事。回退法里 Bow 的常见计算思路，大白话拆：

1. 基础逻辑：“从已统计的概率里‘扣’”

回退概率 Bow(ab) ，本质是 **“给‘用短词串代替长词串’这个行为的权重”** 。计算时，通常从 “已统计的词串概率” 里分配：

• 比如，所有三元组的概率和为 S_3，二元组的概率和为 S_2 → 可以让 Bow(ab) = (S_2 中未被三元组覆盖的部分) / S_2 。
• 人话：如果三元组已经覆盖了很多情况，说明二元组 “剩下的参考价值小”，Bow 就低；反之则高。

2. 简单粗暴法：“直接设常数”

为了方便，很多时候直接拍脑袋定一个常数（比如 0.5、0.1 ）当 Bow 。

• 比如，不管词串多常见，统一 Bow=0.1 → 表示 “退一步时，只用短词串概率的 10% 来凑数”。
• 优点：简单好算；缺点：不够精准，但适合初步实现。

3. 复杂点的统计法：“看词串出现次数”

更精细的做法，是统计词串的 “出现频率” ，用频率反比当 Bow ：

• 词串 ab 出现次数越多 → 说明它 “很靠谱”，Bow(ab) 越低（比如出现 1000 次，Bow=0.1 ）。
• 词串 ab 出现次数越少 → 说明它 “不靠谱”，Bow(ab) 越高（比如出现 10 次，Bow=0.5 ）。

举个栗子

假设算 P(美 | 祖 国) ，“祖国” 出现过 1000 次，其中 800 次后面跟了三元组 → 说明 “祖国” 很靠谱，Bow(祖国)=0.1 → P(美 | 祖国) = P(美 | 国) * 0.1 。

总结：回退法里的 Bow ，没有 “固定公式”，核心是 **“根据词串的‘靠谱程度’（出现频率、覆盖情况等 ），分配一个权重”** ，可以简单设常数，也能复杂统计 —— 目的就是 “让常见词串少回退，生僻词串多回退”～