自然语言处理 | 统计语言模型

我们聊一下自然语言处理（NLP）这一方向，当前的语音识别，机器翻译等人工智能领域备受欢迎和关注，那么计算机到底是怎么处理自然语言的，换句话说：计算机真的像人一样能够理解我们人类独特的语言吗？

在自然语言处理研究的早期，计算机科学家们走入了一个误区：当时，学术界普遍认为，要让计算机能够有效的处理自然语言，首先就是让计算机能像人类一样去理解自然语言。一致认为计算机应先做好两件事，即分析语句和获取语义。

计算机科学家们在此后的工作中发现，人类的语法规则实在太多，根本不可能穷尽，人类20%的语言，语法规则的数量也至少是几万条，语言学家们在有生之年怕是写不完的。这些语法规则写到后面甚至会出现前后矛盾。

自然语言从诞生之初起，就是一种具有上下文相关特征的语言。

人类的语言是存在歧义性的，比如：“I am a boy”。在大部分的场景里，这句英文的译文应是：“我是个男孩”。然而，总是翻译成“我是个男孩”并不一定是最佳的译文。如果是在饭店的场景里，“boy”一词更恰当的翻译是“服务生”。可是这种语言的歧义性，我们在日常生活中是怎么克服的呢？

我们所依靠的是上下文，有时人类是弄不清一句话它到底表示其中哪个含义，而解决这个问题的方法，就是依靠上下文。有了上下文，大多数情况下多义词就可以确定具体意思。

因此，计算机在处理自然语言时，一个基本问题就是为自然语言这种上下文相关的特征建立数学模型。

统计语言模型

1970年弗里德里克·贾里尼克针对自然语言处理的困境提出一个新观点：一个句子是否合理，就看它出现的可能性大小如何。如果可以通过某种数学方法计算得到一个句子能够出现的概率 ，那么概率越大的句子也可能出现。

比如，“我爱美丽的花”、“花的美丽爱我”，这两句话显然是第一句话更可能出现，相比整个人类使用汉语的历史长河中，都很少会出现第二句话。

假定S表示一句有意义的话，由一连串特定的按顺序排列的词组成，词分别是：

我们想知道S在文本中出现的可能性，即计算P(S)。

由题意知：

即：

利用条件概率，S这个词序列出现的概率等于每个词出现的概率相乘，可以写成如下：

不难看出，每一个词出现的概率取决于其前面出现的所有词。然而随着作为条件一方的词语数量的增多，计算开始变得复杂。人们想到了一个偷懒但是还颇为有效的方法，假定每一个词出现的概率只与前面一个词有关（马尔科夫假设）。这时，上述公式可以简化为：

接下来的问题就是计算：

计算机库中存储了大量的人类的语言文本，即语料库。只要用计算机数一数

这一对相邻的词语，以及

这个词在整个语料库中出现的频数即可（N表示整个语料库，f表示词语在语料库中的相对频度）：

当语料库足够大时，根据大数定理，概率约等于频度：

约分化简后，可得：

证明完毕！

综上所述，计算机可以不用懂语法，只需要会算一点概率就行啦。

文章参考自：

1、吴军《数学之美》第二版；

2、CSDN许野平的专栏：为什么使用计算机处理自然语言如此困难。