统计语言模型

从基于规则到基于统计的语言模型的转变

基于马尔科夫假设，即任意一个词出现的概率只与它前面的词有关，可得到一个二元模型。乃至基于一个N-1阶马尔科夫假设，对应的语言模型是N元模型。一般N取值非常小，通常为2，可取到3或者4。

对于样本中未出现的零概率问题，使用古德-图灵估计方法进行平滑处理。对于出现频率超过一定阈值的词，概率估计就是相对频度，对于小于的词，概率估计就会小于他们的相对频度，次数越小，折扣越多，对于未看见的词也给予了一个比较小的频度，使得概率估计平滑。