-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathindex.html
895 lines (407 loc) · 36.6 KB
/
index.html
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
<!doctype html>
<html class="theme-next mist use-motion" lang="zh-CN">
<head>
<meta charset="UTF-8"/>
<meta http-equiv="X-UA-Compatible" content="IE=edge" />
<meta name="viewport" content="width=device-width, initial-scale=1, maximum-scale=1"/>
<meta http-equiv="Cache-Control" content="no-transform" />
<meta http-equiv="Cache-Control" content="no-siteapp" />
<link href="/lib/fancybox/source/jquery.fancybox.css?v=2.1.5" rel="stylesheet" type="text/css" />
<link href="//fonts.googleapis.com/css?family=Lato:300,300italic,400,400italic,700,700italic&subset=latin,latin-ext" rel="stylesheet" type="text/css">
<link href="/lib/font-awesome/css/font-awesome.min.css?v=4.6.2" rel="stylesheet" type="text/css" />
<link href="/css/main.css?v=5.1.0" rel="stylesheet" type="text/css" />
<meta name="keywords" content="NLP, Machine Translation, Drockser" />
<link rel="shortcut icon" type="image/x-icon" href="/favicon.ico?v=5.1.0" />
<meta name="description" content="This Web Try explan my work in MT">
<meta property="og:type" content="website">
<meta property="og:title" content="Drockser's Blog">
<meta property="og:url" content="http://drockser.com/index.html">
<meta property="og:site_name" content="Drockser's Blog">
<meta property="og:description" content="This Web Try explan my work in MT">
<meta name="twitter:card" content="summary">
<meta name="twitter:title" content="Drockser's Blog">
<meta name="twitter:description" content="This Web Try explan my work in MT">
<script type="text/javascript" id="hexo.configurations">
var NexT = window.NexT || {};
var CONFIG = {
root: '/',
scheme: 'Mist',
sidebar: {"position":"left","display":"post","offset":12,"offset_float":0,"b2t":false,"scrollpercent":false},
fancybox: true,
motion: true,
duoshuo: {
userId: '0',
author: 'Author'
},
algolia: {
applicationID: '',
apiKey: '',
indexName: '',
hits: {"per_page":10},
labels: {"input_placeholder":"Search for Posts","hits_empty":"We didn't find any results for the search: ${query}","hits_stats":"${hits} results found in ${time} ms"}
}
};
</script>
<link rel="canonical" href="http://drockser.com/"/>
<title> Drockser's Blog </title>
</head>
<body itemscope itemtype="http://schema.org/WebPage" lang="zh-CN">
<div class="container one-collumn sidebar-position-left
page-home
">
<div class="headband"></div>
<header id="header" class="header" itemscope itemtype="http://schema.org/WPHeader">
<div class="header-inner"><div class="site-brand-wrapper">
<div class="site-meta ">
<div class="custom-logo-site-title">
<a href="/" class="brand" rel="start">
<span class="logo-line-before"><i></i></span>
<span class="site-title">Drockser's Blog</span>
<span class="logo-line-after"><i></i></span>
</a>
</div>
<p class="site-subtitle">Machine Translation</p>
</div>
<div class="site-nav-toggle">
<button>
<span class="btn-bar"></span>
<span class="btn-bar"></span>
<span class="btn-bar"></span>
</button>
</div>
</div>
<nav class="site-nav">
<ul id="menu" class="menu">
<li class="menu-item menu-item-home">
<a href="/" rel="section">
<i class="menu-item-icon fa fa-fw fa-home"></i> <br />
Home
</a>
</li>
<li class="menu-item menu-item-categories">
<a href="/categories" rel="section">
<i class="menu-item-icon fa fa-fw fa-th"></i> <br />
Categories
</a>
</li>
<li class="menu-item menu-item-archives">
<a href="/archives" rel="section">
<i class="menu-item-icon fa fa-fw fa-archive"></i> <br />
Archives
</a>
</li>
<li class="menu-item menu-item-tags">
<a href="/tags" rel="section">
<i class="menu-item-icon fa fa-fw fa-tags"></i> <br />
Tags
</a>
</li>
</ul>
</nav>
</div>
</header>
<main id="main" class="main">
<div class="main-inner">
<div class="content-wrap">
<div id="content" class="content">
<section id="posts" class="posts-expand">
<article class="post post-type-normal " itemscope itemtype="http://schema.org/Article">
<link itemprop="mainEntityOfPage" href="http://drockser.com/GIZA-参数说明/2015/03/29/">
<span hidden itemprop="author" itemscope itemtype="http://schema.org/Person">
<meta itemprop="name" content="Drockser">
<meta itemprop="description" content="">
<meta itemprop="image" content="/images/avatar.gif">
</span>
<span hidden itemprop="publisher" itemscope itemtype="http://schema.org/Organization">
<meta itemprop="name" content="Drockser's Blog">
</span>
<header class="post-header">
<h1 class="post-title" itemprop="name headline">
<a class="post-title-link" href="/GIZA-参数说明/2015/03/29/" itemprop="url">
GIZA++参数说明
</a>
</h1>
<div class="post-meta">
<span class="post-time">
<span class="post-meta-item-icon">
<i class="fa fa-calendar-o"></i>
</span>
<span class="post-meta-item-text">Posted on</span>
<time title="Post created" itemprop="dateCreated datePublished" datetime="2015-03-29T10:46:23+08:00">
2015-03-29
</time>
</span>
<span class="post-category" >
<span class="post-meta-divider">|</span>
<span class="post-meta-item-icon">
<i class="fa fa-folder-o"></i>
</span>
<span class="post-meta-item-text">In</span>
<span itemprop="about" itemscope itemtype="http://schema.org/Thing">
<a href="/categories/NLP/" itemprop="url" rel="index">
<span itemprop="name">NLP</span>
</a>
</span>
</span>
</div>
</header>
<div class="post-body" itemprop="articleBody">
<p>##GIZA++ 参数说明 </p>
<p><strong>1. 下载GIZA++</strong><br><strong>2. 准备语料，这里使用的是NiuTrans 里面 经过乱码过滤及数据预处理过后的sample中的数据。</strong><br><strong>3. 在linux环境下，gcc版本为4.8.1 （可用gcc -v 查询）</strong><br><strong>4. 解压所下载的GIZA++，我的版本为giza-pp-v1.0.7，发现其中有两个文件夹，其中mkcls是用于生成word class的。</strong><br><img src="/img/GIZA++_img1.png" alt="GIZA++_img1"><br><img src="/img/GIZA++_img2.png" alt="GIZA++_img2"><br><strong>5. 对其进行编译，新建一文件夹“tool”，并将生成的GIZA++-v2目录下的“GIZA++”，“snt2cooc.out”,“plain2snt.out”以及 mkcls-v2目录下的“mkcls”拷贝到tool下，并将准备好的语料也放入这个文件夹。</strong><br><img src="/img/GIZA++_img3.png" alt="GIZA++_img3"><br><img src="/img/GIZA++_img4.png" alt="GIZA++_img4"><br><strong>6.使用plain2snt.out 将 普通文本转化成GIZA++格式的文本。</strong><br><img src="/img/GIZA++_img5.png" alt="GIZA++_img5"><br><img src="/img/GIZA++_img6.png" alt="GIZA++_img6"><br>此时，tool文件夹下有如下内容：<br><img src="/img/GIZA++_img7.png" alt="GIZA++_img7"></p>
<p>格式说明：</p>
<p><em>ch.vcb (en.vcb)</em></p>
<p>例子：<br><img src="/img/GIZA++_img8.png" alt="GIZA++_img8"></p>
<p><em>ch_en.snt(en_ch.snt)</em></p>
<p>每一个句子对都包括三行，第一行表示该句子对出现的次数，第二行表示源语言单词的ID序列（该例子中是中文即ch），第三行表示目标语言中的单词ID序列（该例子中是英文即en）</p>
<p>例子：<br><img src="/img/GIZA++_img9.png" alt="GIZA++_img9"></p>
<ul>
<li>0 下标保留给特殊的 NULL</li>
</ul>
<p><strong>7. 运行 snt2cooc.out 获得共线文件。</strong></p>
<p><img src="/img/GIZA++_img10.png" alt="GIZA++_img10"></p>
<p>生成了 ：</p>
<p><img src="/img/GIZA++_img11.png" alt="GIZA++_img11"></p>
<p>格式说明：</p>
<p><em>ch_en.cooc(en_ch.cooc)</em><br>包含所有可能的单词对。（按源句子字符串ID排列）</p>
<ul>
<li>注：一个单词能与另一个单词形成单词对的规则是两个单词都在一个句子对里。如果一个单词和另一个单词从未在句子对中出现过，则不构成单词对。比如3 乌鲁木齐 1 只在第一个句子对中出现过，所以它只能与第一个句子对中的目标句子字符串形成单词对。</li>
</ul>
<p>例子：</p>
<p><img src="/img/GIZA++_img12.png" alt="GIZA++_img12"></p>
<p><strong>8. 使用mkcls进行词语聚类</strong></p>
<p>参数设置：<br>-n:表示训练迭代次数，默认为1<br>-p: 需要聚类的已分词文本<br>-V:输出信息<br>opt：优化运行<br>（注意参数与后面的值之间没有空格）</p>
<p><img src="/img/GIZA++_img14.png" alt="GIZA++_img14"></p>
<p>生成文件：</p>
<p><img src="/img/GIZA++_img15.png" alt="GIZA++_img15"></p>
<p><em>ch.classes (en.classes)</em><br>例子：</p>
<p><img src="/img/GIZA++_img16.png" alt="GIZA++_img16"></p>
<p><em>ch.classes.cats (en.classes.cats)</em></p>
<p><img src="/img/GIZA++_img17.png" alt="GIZA++_img17"></p>
<p><strong>9.接下来运行GIZA++实现对齐操作</strong><br><img src="/img/GIZA++_img18.png" alt="GIZA++_img18"></p>
<p>参数设置：<br>-m1 IBM 模型1的迭代次数。<br>-m2 IBM 模型2的迭代次数。<br>-m3 IBM 模型3的迭代次数。<br>-m4 IBM 模型4的迭代次数。<br>-m5 IBM 模型5的迭代次数。<br>-mh HMM 模型的迭代次数。<br>-CocurrenceFile 是一个特殊文件，包括所有可能的词汇对<br>-d 词典文件的位置(注意此处的词典应该是每个词的ID都有的，如果词典中没有的话，那么就取对空)<br>-s 源句子的词汇表<br>-t 目标句子的词汇表<br>-c 句子对的文件<br>-tc 测试文件<br>-o 输出文件的前缀<br>-nbestalignments 显示最好的n个对齐结果</p>
<p>其中生成的文件有：</p>
<p><img src="/img/GIZA++_img19.png" alt="GIZA++_img19"><br><img src="/img/GIZA++_img20.png" alt="GIZA++_img20"></p>
<p>格式说明：</p>
<p><em>c2e.a3.final</em><br> 每一行的文件格式如下所示。<br> i j l m p(i|j,l,m)<br> 其中代表的意义为：<br> j = 在目标句子中的位置<br> i = 在源句子中的位置<br> l = 源句子的长度<br> m = 目标句子的长度</p>
<p> 例子：</p>
<p><img src="/img/GIZA++_img21.png" alt="GIZA++_img21"></p>
<p><em>c2e.A3.final</em><br>对齐文件<br>格式如下：<br><img src="/img/GIZA++_img22.png" alt="GIZA++_img22"><br>*花括号里表示的是该词对应的句子中的词的下标。</p>
<p><em>c2e.d3.final</em></p>
<p>每一行的文件格式如下所示。<br>j i l m p(i|j,l,m)<br>(与a只有一点不同，即j与i交换了位置)</p>
<p>例子：</p>
<p><img src="/img/GIZA++_img23.png" alt="GIZA++_img23"></p>
<p><em>c2e.d4.final</em><br>Translation tables for Model 4</p>
<p><em>c2e.D4.final</em><br>IBM Model4 的 distortion 表</p>
<p><em>c2e.Decoder.config</em><br>用与ISI Rewrite Decoder 解码器</p>
<p><em>c2e.gizacfg</em><br>包含了GIZA++的这次训练中所有参数的设定。在做同样的训练时可以用到。</p>
<p><em>c2e.n3.final</em><br>(Fertility table)<br>一个单词能够对应多少个词的概率。<br>格式为<br>source_token_id p0 p1 p2 ….. pn<br>p0 是该词一个词都不对应的概率。</p>
<p>例子：<br><img src="/img/GIZA++_img24.png" alt="GIZA++_img24"></p>
<p><em>c2e.p0_3.final</em><br>这个文件只包含一个实数，即不插入空值的概率。</p>
<p><em>c2e.perp</em><br>训练的最后产生，概括了每次迭代的困惑度值。</p>
<p>例子：<br><img src="/img/GIZA++_img25.png" alt="GIZA++_img25"></p>
<p><em>c2e.t3.final</em><br>(translation table)</p>
<p>例子：<br><img src="/img/GIZA++_img26.png" alt="GIZA++_img26"></p>
<p><em>c2e.trn.src.vcb c2e.trn.trg.vcb</em><br>类似于ch.vcb en.vcb 但是更准确。</p>
<p><em>c2e.tst.src.vcb c2e.tst.trg.vcb</em><br>空文件</p>
</div>
<div>
</div>
<div>
</div>
<footer class="post-footer">
<div class="post-eof"></div>
</footer>
</article>
<article class="post post-type-normal " itemscope itemtype="http://schema.org/Article">
<link itemprop="mainEntityOfPage" href="http://drockser.com/基于HMM的词性标注/2015/03/01/">
<span hidden itemprop="author" itemscope itemtype="http://schema.org/Person">
<meta itemprop="name" content="Drockser">
<meta itemprop="description" content="">
<meta itemprop="image" content="/images/avatar.gif">
</span>
<span hidden itemprop="publisher" itemscope itemtype="http://schema.org/Organization">
<meta itemprop="name" content="Drockser's Blog">
</span>
<header class="post-header">
<h1 class="post-title" itemprop="name headline">
<a class="post-title-link" href="/基于HMM的词性标注/2015/03/01/" itemprop="url">
基于HMM的词性标注
</a>
</h1>
<div class="post-meta">
<span class="post-time">
<span class="post-meta-item-icon">
<i class="fa fa-calendar-o"></i>
</span>
<span class="post-meta-item-text">Posted on</span>
<time title="Post created" itemprop="dateCreated datePublished" datetime="2015-03-01T21:02:08+08:00">
2015-03-01
</time>
</span>
<span class="post-category" >
<span class="post-meta-divider">|</span>
<span class="post-meta-item-icon">
<i class="fa fa-folder-o"></i>
</span>
<span class="post-meta-item-text">In</span>
<span itemprop="about" itemscope itemtype="http://schema.org/Thing">
<a href="/categories/NLP/" itemprop="url" rel="index">
<span itemprop="name">NLP</span>
</a>
</span>
</span>
</div>
</header>
<div class="post-body" itemprop="articleBody">
<p>之前帮学长写了一个词性标注的小程序，使用的是CBT的语料。</p>
<p>##语料的处理</p>
<p>首先我们要对语料进行预处理，首先为了后面处理的方便我们需要将每一个词和词性映射到一个数字上，这个数字就作为后面数组的下标。</p>
<p>词对应</p>
<figure class="highlight plain"><table><tr><td class="gutter"><pre><div class="line">1</div><div class="line">2</div><div class="line">3</div><div class="line">4</div><div class="line">5</div><div class="line">6</div><div class="line">7</div><div class="line">8</div><div class="line">9</div><div class="line">10</div><div class="line">11</div><div class="line">12</div><div class="line">13</div><div class="line">14</div><div class="line">15</div><div class="line">16</div><div class="line">17</div><div class="line">18</div><div class="line">19</div><div class="line">20</div><div class="line">21</div><div class="line">22</div><div class="line">23</div><div class="line">24</div><div class="line">25</div></pre></td><td class="code"><pre><div class="line">! 0</div><div class="line">$ 1</div><div class="line">* 2</div><div class="line">, 3</div><div class="line">,×ÐÓã 4</div><div class="line">- 5</div><div class="line">---- 6</div><div class="line">. 7</div><div class="line">/ 8</div><div class="line">// 9</div><div class="line">0.36 10</div><div class="line"></div><div class="line">... ...</div><div class="line"></div><div class="line">魅力 34566</div><div class="line">魅影 34567</div><div class="line">飨 34568</div><div class="line">鬓 34569</div><div class="line">鬓影 34570</div><div class="line">麽 34571</div><div class="line">黯淡 34572</div><div class="line">黯然 34573</div><div class="line">黯然失色 34574</div><div class="line">黯哑 34575</div><div class="line">鼾声 34576</div></pre></td></tr></table></figure>
<p>词性对应</p>
<figure class="highlight plain"><table><tr><td class="gutter"><pre><div class="line">1</div><div class="line">2</div><div class="line">3</div><div class="line">4</div><div class="line">5</div><div class="line">6</div><div class="line">7</div><div class="line">8</div><div class="line">9</div><div class="line">10</div><div class="line">11</div><div class="line">12</div><div class="line">13</div><div class="line">14</div><div class="line">15</div><div class="line">16</div><div class="line">17</div><div class="line">18</div><div class="line">19</div><div class="line">20</div><div class="line">21</div><div class="line">22</div><div class="line">23</div><div class="line">24</div><div class="line">25</div><div class="line">26</div><div class="line">27</div><div class="line">28</div><div class="line">29</div><div class="line">30</div><div class="line">31</div><div class="line">32</div><div class="line">33</div><div class="line">34</div><div class="line">35</div></pre></td><td class="code"><pre><div class="line">AD 1</div><div class="line">AS 2</div><div class="line">BA 3</div><div class="line">CC 4</div><div class="line">CD 5</div><div class="line">CS 6</div><div class="line">DEC 7</div><div class="line">DEG 8</div><div class="line">DER 9</div><div class="line">DEV 10</div><div class="line">DT 11</div><div class="line">ETC 12</div><div class="line">FW 13</div><div class="line">IJ 14</div><div class="line">JJ 15</div><div class="line">LB 16</div><div class="line">LC 17</div><div class="line">M 18</div><div class="line">MSP 19</div><div class="line">NN 20</div><div class="line">NP 21</div><div class="line">NR 22</div><div class="line">NT 23</div><div class="line">OD 24</div><div class="line">P 25</div><div class="line">PN 26</div><div class="line">PU 27</div><div class="line">SB 28</div><div class="line">SP 29</div><div class="line">VA 30</div><div class="line">VC 31</div><div class="line">VE 32</div><div class="line">VP 33</div><div class="line">VV 34</div><div class="line">X 35</div></pre></td></tr></table></figure>
<p>这里面词性的下标不是从0开始的，这是因为0下标另有它用，它是作为开始标记的。</p>
<p>同时我们要记录下前后相邻两个词性出现的次数，并计算概率，如果有两个词性从未前后出现过，那么进行平滑处理，这里简单的使用加一平滑的方法。</p>
<p>计算相邻词性出现的概率</p>
<figure class="highlight plain"><table><tr><td class="gutter"><pre><div class="line">1</div><div class="line">2</div><div class="line">3</div><div class="line">4</div><div class="line">5</div><div class="line">6</div><div class="line">7</div><div class="line">8</div><div class="line">9</div><div class="line">10</div><div class="line">11</div><div class="line">12</div><div class="line">13</div><div class="line">14</div><div class="line">15</div><div class="line">16</div><div class="line">17</div><div class="line">18</div><div class="line">19</div><div class="line">20</div><div class="line">21</div><div class="line">22</div><div class="line">23</div><div class="line">24</div><div class="line">25</div><div class="line">26</div><div class="line">27</div><div class="line">28</div><div class="line">29</div><div class="line">30</div><div class="line">31</div><div class="line">32</div><div class="line">33</div><div class="line">34</div></pre></td><td class="code"><pre><div class="line">0 1 -2.23558</div><div class="line">0 2 -11.9889</div><div class="line">0 3 -8.05705</div><div class="line">0 4 -7.19309</div><div class="line">0 5 -3.65537</div><div class="line">0 6 -4.62941</div><div class="line">0 7 -11.9889</div><div class="line">0 8 -11.9889</div><div class="line">0 9 -11.9889</div><div class="line">0 10 -11.988</div><div class="line"></div><div class="line">... ... ...</div><div class="line"></div><div class="line">15 36 -11.6505</div><div class="line">16 36 -7.66153</div><div class="line">17 36 -6.72625</div><div class="line">18 36 -5.55195</div><div class="line">19 36 -9.34793</div><div class="line">20 36 -4.84458</div><div class="line">21 36 -4.17439</div><div class="line">22 36 -5.03365</div><div class="line">23 36 -6.07967</div><div class="line">24 36 -6.55278</div><div class="line">25 36 -11.9417</div><div class="line">26 36 -7.89508</div><div class="line">27 36 -1.55266</div><div class="line">28 36 -8.29029</div><div class="line">29 36 -8.2388</div><div class="line">30 36 -4.65352</div><div class="line">31 36 -10.7537</div><div class="line">32 36 -10.171</div><div class="line">33 36 -3.80666</div><div class="line">34 36 -5.29197</div><div class="line">35 36 -4.55388</div></pre></td></tr></table></figure>
<p>前两位数值其中0表示开始符，36 表示结束符，1-35表示其代表的词性， 最后一位数值表示对概率取log值，这是为了方便后面的计算。因为如果是概率的话后面要乘起来会导致一个很小的数字，如果是取log值的话，那么后面只需要加起来就行了。</p>
<p>除此之外，我们还要记录下一个词对应某个词性的概率。</p>
<figure class="highlight plain"><table><tr><td class="gutter"><pre><div class="line">1</div><div class="line">2</div><div class="line">3</div><div class="line">4</div><div class="line">5</div><div class="line">6</div><div class="line">7</div><div class="line">8</div><div class="line">9</div><div class="line">10</div><div class="line">11</div><div class="line">12</div><div class="line">13</div><div class="line">14</div><div class="line">15</div><div class="line">16</div><div class="line">17</div><div class="line">18</div><div class="line">19</div><div class="line">20</div><div class="line">21</div><div class="line">22</div><div class="line">23</div><div class="line">24</div></pre></td><td class="code"><pre><div class="line">0 1 -12.7673</div><div class="line">0 2 -11.1551</div><div class="line">0 3 -10.6247</div><div class="line">0 4 -11.5087</div><div class="line">0 5 -12.0817</div><div class="line">0 6 -10.6544</div><div class="line">0 7 -11.88</div><div class="line">0 8 -11.8607</div><div class="line">0 9 -10.5118</div><div class="line">0 10 -10.5946</div><div class="line"></div><div class="line">... ... ...</div><div class="line"></div><div class="line">34576 25 -12.1446</div><div class="line">34576 26 -11.4176</div><div class="line">34576 27 -13.4684</div><div class="line">34576 28 -10.5591</div><div class="line">34576 29 -10.5539</div><div class="line">34576 30 -11.5412</div><div class="line">34576 31 -11.3065</div><div class="line">34576 32 -11.0133</div><div class="line">34576 33 -10.4512</div><div class="line">34576 34 -13.3737</div><div class="line">34576 35 -10.4527</div></pre></td></tr></table></figure>
<p>其中第一位数值表示某个词对应的下标，第二位数值表示词性对应的下标，第三位数值表示对该词是该词性的概率取log值。</p>
<p>语料处理完了以后，我们就应该进行词性标注的训练了，既然提起词性标注，就不得不说一说隐形马尔科夫了。</p>
<p>##如何进行词性标注</p>
<p>词性标注，一个简单的解释就是输入一行词序列，输出一行词性的序列，也就是说假设给定序列$x: x_1,x_2,\ldots,x_n$ ,那么我们就要输出序列$y: y_1,y_2,\ldots,y_n$<br>我们要做的很简单，给定x，那么每种可能的y（假设有一个集合Y包含每种可能的y）都会有一个相应的概率，$p(y|x)$ 。<br>对每个给我们的x，我们要做的就是求出使这个概率最大的y，也就是求$arg\underset{y\in\mathcal{Y}}{\max}\,p(y|x)$<br>根据条件概率公式有：$p(y|x) = \,{p(x,y) \over p(x)} = \,{p(y)p(x|y) \over p(x)}$<br>又因为x是给定的，所以p(x)是个定值。我们就能得出这样的式子。</p>
<p>\begin{align}<br>f(x) &= {arg\underset{y\in\mathcal{Y}}{\max}\,p(y|x)} \\<br>&= {arg\underset{y\in\mathcal{Y}}{\max}\,{p(y)p(x|y) \over p(x)}} \\<br>&= {arg\underset{y\in\mathcal{Y}}{\max}\,{p(y)p(x|y)}} \\<br>\end{align}</p>
<p>现在我们简单的将词性标注问题转化成了求两个概率，一个是形成这一串词性的可能性$p(y)$，另一个是某个词性对应某个词的可能性，$p(x|y)$ 。<br>由乘法公式可得 $p(y) = p(y_1,y_2,\ldots,y_n) = p(y_1) \times p(y_2|y_1) \times p(y_3|y_2,y_1) \times \cdots \times p(y_n|y_1,y_2,\ldots,y_{n-1})$<br>但是这个式子太复杂了，如果这么求的话，那就太麻烦了，不如我们假设一下，一个词性只对下一个词性有影响，不影响其他的。(二元)<br>那么由马尔科夫假设知 $p(y) = p(y_1) \times p(y_2|y_1) \times p(y_3|y_2) \times \cdots \times p(y_n|y_{n-1})$<br>而对于$p(x|y)$ 我们简单的认为 $p(x|y) = p(x_1|y_1) \times p(x_2|y_2) \times \cdots \times p(x_n|y_n)$<br>现在问题就简单许多了，对于一个给定的分好词的句子x,和一个假设的y，我们可以得到<br>$p(x_1 \ldots x_n,y_1 \ldots y_{n+1}) = \prod _ {i=1}^{n+1} q(y_i|y_{i-1}) \prod _ {i=1}^n e(x_i|y_i) $<br>注意： $y_0$ 是个开始符号 * ，$y_{n+1}$ 是个结束符号 STOP 。 这两个都不代表某个词性，只表示开始位置和结尾而已。</p>
<p>举个例子：</p>
<p> | the | dog | laughs <br>* | D | N | V |STOP<br>那么<br>\begin{align}<br>p(x_1 \ldots x_n,y_1 \ldots y_{n+1}) =& q(D|*) \times q(N|D) \times q (V|N) \times q(STOP|V) \\<br>& \times e(the|D) \times e(dog|N) \times e(laughs|V)<br>\end{align}<br>==>关于HMM的更详细的解释看<a href="http://www.zhihu.com/question/20962240" target="_blank" rel="external">这里</a>或<a href="http://www.52nlp.cn/hmm-learn-best-practices-one-introduction" target="_blank" rel="external">这里</a></p>
<p>##Viterbi算法<br>下面来讲一讲Viterbi算法，Viterbi算法是用来求这么多个可能的y，哪个能使 p(y|x) 最大。<br>那么什么是Viterbi算法呢？ 假设我们每天吃三顿饭，每顿饭都有很多种选择，比如说可以选择面包，馒头，米饭，红烧肉，同时，每顿饭的搭配也有它本身的营养价值，比如说中午吃了油荤的，那么晚上吃清淡的就很有营养价值，那么怎么吃才会最有营养价值呢？</p>
<figure class="highlight plain"><table><tr><td class="gutter"><pre><div class="line">1</div><div class="line">2</div><div class="line">3</div><div class="line">4</div><div class="line">5</div><div class="line">6</div><div class="line">7</div><div class="line">8</div><div class="line">9</div><div class="line">10</div></pre></td><td class="code"><pre><div class="line"> 早餐 午餐 晚餐</div><div class="line">-------------------------------------------</div><div class="line"> 面包（10） 红烧肉（20） 红烧肉（20）</div><div class="line"></div><div class="line"> 馒头（5） 白菜（10） 白菜（10）</div><div class="line"></div><div class="line"> 香肠（20） 豆腐（10） 豆腐（10）</div><div class="line"></div><div class="line"> 鸡蛋（20） 鸡翅（20） 鸡翅（20）</div><div class="line">-------------------------------------------</div></pre></td></tr></table></figure>
<p>上面的表表示早餐，午餐，晚餐的饭的可选种类，和其代表的营养值。现在，如果设 Y(红烧肉|面包) = 20 表示上一顿是吃的面包，而这一顿吃的是红烧肉的营养价值是10；<br>且所有的 Y(荤菜|素菜) = 20 Y(素菜|荤菜) = 20 Y(荤菜|荤菜) = 10 Y(素菜|素菜) = 10;<br>而假设 Y(面包|无) = 15 Y(馒头|无) = 5 Y(香肠|无) = 10 Y(鸡蛋|无) = 10 表示第一顿选择某些食物的营养值。<br>那么我早餐选择面包的营养值为面包本身的营养加上 Y(面包|无) = 15 的搭配营养，也就是25，并且由于它只有这一种选择，所以<br>maxpre(面包) = 15 + 10 表示上一顿选择面包的一天最大营养值为25。<br>同理<br>maxpre(馒头) = 5 + 5<br>maxpre(香肠) = 20 + 10<br>maxpre(鸡蛋) = 20 + 10；</p>
<p>如果我中午选择红烧肉的话，那么我可以得到<br>maxpre(红烧肉) = max( 20(红烧肉本身的营养值) + Y(红烧肉|早餐食物种类) + maxpre(早餐食物种类) )；<br>那么有<br>maxpre(红烧肉) = 20 + Y(红烧肉|面包) + maxpre(面包) = 20 + 20 + 25 = 65<br>maxpre(白菜) = 10 + Y(白菜|香肠) + maxpre(香肠) = 10 + 20 + 30 = 60<br>maxpre(豆腐) = 60<br>maxpre(鸡翅) = 65</p>
<p>而晚饭如果我选红烧肉的话<br>maxpre(红烧肉) = 20 + Y(红烧肉|白菜) + maxpre(白菜) = 20 + 20 + 60 = 100<br>如果选择白菜的话<br>maxpre(白菜) = 10 + Y(白菜|红烧肉) + maxpre(红烧肉) = 95<br>假设所有食物作为最后一顿饭的营养价值都相同，即 Y(END|晚餐食物品种) 相等。</p>
<p>那么我一天的最佳搭配可以是： 面包 -> 白菜 -> 红烧肉。</p>
<p>以上用到的想法就是Viterbi算法，即记录上一个选择的最大值，用来估计目前的最大值，同时记录下是上次选择了什么而使得当前的选择最大，在最后得到最大值后回溯，从而的到一个序列，这就是我们要的。</p>
<p>如何用这个想法进行词性标注呢？</p>
<p>举个例子：</p>
<figure class="highlight plain"><table><tr><td class="gutter"><pre><div class="line">1</div><div class="line">2</div><div class="line">3</div><div class="line">4</div><div class="line">5</div><div class="line">6</div><div class="line">7</div><div class="line">8</div><div class="line">9</div><div class="line">10</div></pre></td><td class="code"><pre><div class="line"> the dog barks</div><div class="line">---------------------</div><div class="line"> D D D STOP</div><div class="line"> D D N STOP</div><div class="line"> D D V STOP</div><div class="line"> D N D STOP</div><div class="line"> D N N STOP</div><div class="line"> D N V STOP</div><div class="line"> ...</div><div class="line"> V V V STOP</div></pre></td></tr></table></figure>
<p>假设只有三种词性，有的词性经常在句首出现，有的词性经常在句尾出现，所以要有表示出现在句首句尾的标识。</p>
<p>那么假设v,w 是代表词性的变量，T表示所有的词性集合，maxpre(k,w)表示句子中第k个词且是w的词性为结尾的序列出现的最大概率，q(v|w) 表示上一个词性为w,而下一个词性为v的概率，e(x_k|v) 表示第k个单词为v词性的概率。</p>
<p>那么有 </p>
<p>$maxpre(k,w) = max_{w \in T}(maxpre(k-1,w) \times q(v|w) \times e(x_k|v))$</p>
<p>* <em>注意:当k = 0 时，即开始时 maxpre(0,STAR) = 1 , T = {STAR} ，当到句子最后一个单词时要有一个特判，即 都要加上 q(END|w) 选出最大值，并回溯出序列</em> </p>
</div>
<div>
</div>
<div>
</div>
<footer class="post-footer">
<div class="post-eof"></div>
</footer>
</article>
</section>
</div>
</div>
<div class="sidebar-toggle">
<div class="sidebar-toggle-line-wrap">
<span class="sidebar-toggle-line sidebar-toggle-line-first"></span>
<span class="sidebar-toggle-line sidebar-toggle-line-middle"></span>
<span class="sidebar-toggle-line sidebar-toggle-line-last"></span>
</div>
</div>
<aside id="sidebar" class="sidebar">
<div class="sidebar-inner">
<section class="site-overview sidebar-panel sidebar-panel-active">
<div class="site-author motion-element" itemprop="author" itemscope itemtype="http://schema.org/Person">
<img class="site-author-image" itemprop="image"
src="/images/avatar.gif"
alt="Drockser" />
<p class="site-author-name" itemprop="name">Drockser</p>
<p class="site-description motion-element" itemprop="description">This Web Try explan my work in MT</p>
</div>
<nav class="site-state motion-element">
<div class="site-state-item site-state-posts">
<a href="/archives">
<span class="site-state-item-count">2</span>
<span class="site-state-item-name">posts</span>
</a>
</div>
<div class="site-state-item site-state-categories">
<a href="/categories">
<span class="site-state-item-count">1</span>
<span class="site-state-item-name">categories</span>
</a>
</div>
<div class="site-state-item site-state-tags">
<a href="/tags">
<span class="site-state-item-count">5</span>
<span class="site-state-item-name">tags</span>
</a>
</div>
</nav>
<div class="links-of-author motion-element">
</div>
</section>
</div>
</aside>
</div>
</main>
<footer id="footer" class="footer">
<div class="footer-inner">
<div class="copyright" >
©
<span itemprop="copyrightYear">2017</span>
<span class="with-love">
<i class="fa fa-heart"></i>
</span>
<span class="author" itemprop="copyrightHolder">Drockser</span>
</div>
<div class="powered-by">
Powered by <a class="theme-link" href="https://hexo.io">Hexo</a>
</div>
<div class="theme-info">
Theme -
<a class="theme-link" href="https://github.com/iissnan/hexo-theme-next">
NexT.Mist
</a>
</div>
</div>
</footer>
<div class="back-to-top">
<i class="fa fa-arrow-up"></i>
</div>
</div>
<script type="text/javascript">
if (Object.prototype.toString.call(window.Promise) !== '[object Function]') {
window.Promise = null;
}
</script>
<script type="text/javascript" src="/lib/jquery/index.js?v=2.1.3"></script>
<script type="text/javascript" src="/lib/fastclick/lib/fastclick.min.js?v=1.0.6"></script>
<script type="text/javascript" src="/lib/jquery_lazyload/jquery.lazyload.js?v=1.9.7"></script>
<script type="text/javascript" src="/lib/velocity/velocity.min.js?v=1.2.1"></script>
<script type="text/javascript" src="/lib/velocity/velocity.ui.min.js?v=1.2.1"></script>
<script type="text/javascript" src="/lib/fancybox/source/jquery.fancybox.pack.js?v=2.1.5"></script>
<script type="text/javascript" src="/js/src/utils.js?v=5.1.0"></script>
<script type="text/javascript" src="/js/src/motion.js?v=5.1.0"></script>
<script type="text/javascript" src="/js/src/bootstrap.js?v=5.1.0"></script>
<script type="text/x-mathjax-config">
MathJax.Hub.Config({
tex2jax: {
inlineMath: [ ['$','$'], ["\\(","\\)"] ],
processEscapes: true,
skipTags: ['script', 'noscript', 'style', 'textarea', 'pre', 'code']
}
});
</script>
<script type="text/x-mathjax-config">
MathJax.Hub.Queue(function() {
var all = MathJax.Hub.getAllJax(), i;
for (i=0; i < all.length; i += 1) {
all[i].SourceElement().parentNode.className += ' has-jax';
}
});
</script>
<script type="text/javascript" src="//cdn.mathjax.org/mathjax/latest/MathJax.js?config=TeX-AMS-MML_HTMLorMML"></script>
</body>
</html>