4 NLP之数据平滑技术
文章目录
- 1 最简单的平滑技术—Laplace法则
- 2 Good-Turing估计
- 3 绝对折扣(absolute discounting)
- 4 线性折扣(linear discounting)
- 5 Witten-Bell平滑算法
- 6 扣留估计(Held-out Estimation)
- 7 交叉校验(Cross Validation)
- 8 线性插值(linear interpolation )
- 9 Katz回退(back-off)算法
1 最简单的平滑技术—Laplace法则
(我并不清楚上面的【Laplace法则的一般形式】与【Lidstone法则】咋来的)
2 Good-Turing估计
基本思想:对于任何一个发生r次的事件(n元语法),都假设它发生r*次:
nr:训练语料中发生r次的事件的数目。
事实上,并不是对所有计数r都使用上式计算。
3 绝对折扣(absolute discounting)
上面的图中,V=40(总共有40个词),N=50(训练实例的个数为50,016+110+26+35+42+51=50)
4 线性折扣(linear discounting)
(我不太懂第三列似然估计是咋算的)
5 Witten-Bell平滑算法
基本思想:训练语料中未出现 → 第一次出现 → 用事物在训练语料中第一次出现的概率来替代未出现事物的概率(因为未出现的事物是新事物)
例子:
(上面我不太懂右面的分母为什么是N+T)
6 扣留估计(Held-out Estimation)
基本思想:使用一部分数据建立最初的模型,然后使用另一部分留存数据来精炼这个模型。
形式化描述:
上表中,最后一列,即r*列为:
7 交叉校验(Cross Validation)
基本思想:训练数据的每一部分既作最初的训练数据,也作为留存数据。
【删除估计(deleted estimation)】
对两部分数据分别进行训练和平滑,然后根据nra相对于nrb的比率进行加权平均。样本数量越大,在其上统计出来的数据越可靠。
【删除插值(deleted interpolation)】
(使用线性插值的手段,把不同阶的n元语法结合起来)
假定要在一批训练语料上构建二元语法模型,其中:
- C(send the)=0
- C(send thou)=0
四种方法:Lap、GT、abs、WB: p(the|send)=p(thou|send),因为没有其他信息的时候,send the 和 send thou均出现了0次。
但是,直觉上应该有,这是常识: p(the|send)>p(thou|send)
因为pML(the)>pML(thou)。
当没有足够的语料估计高阶模型的概率时,低阶模型往往可以提供有用的信息。
下面是【删除插值的一般形式】:
给定P( w…)的值,可以采用EM算法(用到的时候再去查)来训练λ的值。
一般使用一些历史等价类来设置λ。
【删除插值的递归形式】
8 线性插值(linear interpolation )
线性插值模型的一般化形式:
(我不太确定上面的pi(w|h)是用上面提到的Pinterp吗?)
9 Katz回退(back-off)算法
二元语法模型的Katz回退算法:从非零计数中减去的计数量,根据低一阶的分布,分配给计数为零的bigram(2-gram)
(我不太懂上面的p波浪号是什么含义???)
(上图最后一列中的0.9咋来的???)
【Katz回退一般形式】
【三元语法模型的Katz回退算法】
【删除插值 vs. Katz回退】
相同之处:两者都使用低阶分布的信息来确定计数为0的n-gram的概率。
不同之处:1、删除插值:高阶计数和低阶计数可能同时起作用;2、Katz回退:只有高阶计数为0时才启用低阶计数。
END
4 NLP之数据平滑技术相关推荐
- 自然语言处理基础(4)--数据平滑技术
n元语法模型中,在统计结果中出现了零概率事件反映语言的规律性,即这种现象本来就不该出现,但更多的时候是由于语言模型的训练文本T的规模以及其分布存在着一定的局限性和片面性.这就是所谓的"数据稀 ...
- NLP的数据增强技术总结
文章目录 一.简单的数据增强技术 EDA (Easy Data Augmentation) 即Normal Augmentation Method 1.`同义词替换`(Synonym Replacem ...
- NLP中的数据增强技术综述
NLP数据增强技术 1. 词汇替换 Lexical Substitution 基于词典的替换 Thesaurus-based substitution 基于词向量的替换 Word-Embeddings ...
- 集合啦,NLP数据增强技术!超全资源汇总
点击上方"AI遇见机器学习",选择"星标"公众号 重磅干货,第一时间送达 白交 发自 凹非寺 量子位 报道 | 公众号 QbitAI 数据增强技术已经是CV领 ...
- 稀疏问题的解决——数据平滑 - yiyi_xuechen
稀疏问题的解决--数据平滑 - yiyi_xuechen 时间 2014-02-23 12:26:00 博客园-所有随笔区原文 http://www.cnblogs.com/yiyi-xueche ...
- matlab离群值处理,数据平滑和离群值检测
移动窗口方法 移动窗口方法是分批处理数据的方式,通常是为了从统计角度表示数据中的相邻点.移动平均值是一种常见的数据平滑技术,它沿着数据滑动窗口,同时计算每个窗口内点的均值.这可以帮助消除从一个数据点到 ...
- gan 总结 数据增强_[NLP]聊一聊,预处理和数据增强技术
在基于margin-loss的句子相似度这个项目中,为了验证想法,找不到开放数据集,因此自己从新浪爱问爬取了数据.自己爬的数据和学界开放的数据对比,数据显得非常脏.这里有三个含义:第一:数据不规范,比 ...
- [NLP] 实例讲解 N-gram语言模型 中 Good-Turning 平滑技术
1.背景 最近在阅读论文的时候接触到了古德-图灵估计法,感觉比较模糊不清,进一步查阅了一些资料,希望有一个自己的直观理解. -本论文采用的是古德-图灵估计法,其基本思想是对于任意出现r次的n元语法对, ...
- NLP文本数据增强热门技术
NLP文本数据增强热门技术 背景 word替换 同义词替换 词向量替换 掩码语言模型(Masked Language Model,MLM) 基于tfidf的词替换 反向翻译 文本表面转换 随机噪声 注 ...
最新文章
- haskell读写文件相关(含二进制)
- TYVJ P1062 合并傻子 Label:环状dp
- 12家股份银行当中,哪个盈利能力和口碑是最好的?
- Jquery 全选,反选
- java vector_Java Vector sureCapacity()方法与示例
- python环境搭建什么意思_如何搭建Python环境
- 年薪40W,如何高效准备大厂AI算法岗面试?
- Ubuntu 18.04下Couldn't connect to Docker daemon at http+docker://localunixsocket解决办法
- 电子表格控件Aspose.Cells V17.4.0发布 | 新增重要功能
- WCF并发连接数的问题
- FFmpeg教程(超级详细版)
- redhat下载镜像官方地址
- 美丽炫酷的Html5简历网页模板
- openstack neutron网络插件学习(二)【linux-bridge实现】
- android 文件管理器
- “NODE星球”空降格尔木,首创沉浸体验式戈壁嘉年华颠覆想象
- pycharm(python)的注释
- Ubuntu下adb无法识别android设备的解决方法
- Linux kali无线安全之WPA/WPA2握手包捕获与爆破
- 空间两条直线的最短距离及最近点计算
热门文章
- 获取附件连接的函数:wp_get_attachment_image_src
- Java 并发编程解析 | 如何正确理解Java领域中的多线程模型,主要用来解决什么问题?
- 什么样的男人能轻松泡到妞?
- Hadoop学习笔记——Hadoop常用命令
- char型变量声明java_java中变量的声明和变量的类型
- 阿里云国际中什么是边缘运算?
- 织梦手机站 html 插件,织梦DEDECMS手机端生成静态页面插件完整版
- opencv.js 4点透视变换
- 谷雪梅 Google中国
- React 之导入 Excel