稀疏问题的解决——数据平滑

　　在上一篇N-gram模型中提到稀疏问题，即某些在文本中通常很少出现的词,在某一局部文本中突然大量地出现，本篇主要讨论它的解决办法--数据平滑（data smoothing）。

问题描述

　　N-gram存在问题，训练语料毕竟是有限的，这样导致很多事件，如trigram中，w1 w2 w3根本没有出现过。根据最大似然估计，这些事件的概率为零。然而这些事件的真实概率并不一定为零。这个问题被成为数据稀疏问题。

　　-- MLE给训练样本中未观察到的事件赋以0概率。

　　-- 若某n-gram在训练语料中没有出现,则该n-gram的概率必定是0。

　　-- 解决的办法是扩大训练语料的规模。但是无论怎样扩大训练语料，都不可能保证所有的词在训练语料中均出现。

　　-- 由于训练样本不足而导致所估计的分布不可靠的问题，称为数据稀疏问题。

　　-- 在NLP领域中，数据稀疏问题永远存在，不太可能有一个足够大的训练语料，因为语言中的大部分词都属于低频词。

　　Zipf 定律：

　　（1）告诉我们语言中只有很少的常用词，语言中大部分词都是低频词(不常用的词)。

　　（2）解释是Principle of Least effort(讲话的人和听话的人都想省力的平衡)；说话人只想使用少量的常用词进行交流；听话人只想使用没有歧义的词(量大低频)进行交流。

　　（3）对于语言中的大多数词，它们在语料中的出现是稀疏的.只有少量词语料库可以提供它们规律的可靠样本。

定义

　　把在训练样本中出现多的事件的概率适当减小，把减小得到的概率密度分配给训练语料中没有出现过的事件。这个过程有时也称为减值（Discounting）。

--减值法

　　修改训练样本中的事件的实际计数，是样本中不同时间的概率之和小于1，剩余的概率量分配给未见概率。

--调整方法：最大似然规则

　　（1）他可保证模型中任何概率均不为0；

　　（2）数据平滑使模型参数概率分布趋向于更加均匀。低概率（包括0概率）被调高，高概率被调低。

--数据平滑技术

　　（1）加法平滑

　　Add-one

　　1.每一种情况出现的次数加1。

　　2.规定任何一个n-gram在训练语料至少出现一次（即规定没有出现过的n-gram在训练语料中出现了一次），则: new_count(n-gram) = old_count(n-gram) + 1

　　3.没有出现过的n-gram的概率不再是0

　　例如，对于uni-gram，设w1, w2, w3 三个词，概率分别为：1/3, 0, 2/3，加1后情况？

         2/6, 1/6, 3/6

　　Add-delta平滑

　　Lidstone’s 不是加1,而是加一个小于1的正数  ，  通常= 0.5，此时又称为Jeffreys-Perks Law或ELE 效果比Add-one好，但是仍然不理想。

　　（2）Good-turning平滑

　　基本思想：利用高频率n-gram的频率调整低频的n-gram的频率。

　　具体操作：假设N 是样本数据的大小， nr是在N元模型的训练集中正好出现r 次的事件的数目（在这里，事件为N元对 ）,nr表示有多少个N元对出现了r次

　　Good-Turing估计适合单词量大并具有大量的观察数据的情况下使用，在观察数据不足的情况下，本身出现次数就是不可靠的，利用它来估计出现次数就更不可靠了。缺乏利用低元模型对高元模型进行线性插值的思想。

　　（3）Backing-off平滑

　　（4）Jelinek-mercer平滑

　　线性插值平滑（Linear Interpolation Smoothing）方法通常也被称作Jelinek-Mercer 平滑。Jelinek 和Mercer 在1980 年首先提出了这种数据平滑算法的思想，Brown 在1992 年给出了线性插值的平滑公式：

 

　　该参数平滑技术的基本思想是利用低元n-gram 模型对高元n-gram 模型进行线性插值。用降元的方法来弥补高元的数据稀疏问题，数据估计有一定的可靠性。但是参数估计较困难。

　　（5）Katz平滑

　　（6）Church-gale平滑