语言模型kenlm的训练及使用

一、背景

　　近期研究了一下语言模型，同事推荐了一个比较好用的工具包kenlm,记录下使用过程。

二、使用kenlm训练 n-gram

　　1.工具介绍：http://kheafield.com/code/kenlm/

　　2.工具包的下载地址：http://kheafield.com/code/kenlm.tar.gz

　　3.解压后运行，./bjam 进行编译

　　4.使用如下命令进行训练：bin/lmplz -o 5 --verbose_header --text data/chat_log.txt --arpa result/log.arpa --vocab_file result/log.vocab

　　备注：4.1 文件必须是分词以后的文件。

　　　　　4.2 -o后面的5表示的是5-gram,一般取到3即可，但可以结合自己实际情况判断。

　　

三、使用kenlm判断一句话概率

　　使用kenlm主要就是对arpa文件内容的运行，下面解析下该文件的内容。

　　1.arpa文件

　　

\1-grams:
-6.5514092	<unk>	0
0	<s>	-2.9842114
-1.8586434	</s>	0
-2.88382	!	-2.38764
-2.94351	world	-0.514311
-2.94351	hello	-0.514311
-6.09691	guys	-0.15553

\2-grams:
-3.91009	world !	-0.351469
-3.91257	hello world	-0.24
-3.87582	hello guys	-0.0312

\3-grams:
-0.00108858	hello world !
-0.000271867	, hi hello !

\end\

　　1.1 介绍该文件需要引入一个新的概念，back_pro.  超详细的介绍见 --> http://blog.csdn.net/visionfans/article/details/50131397

　　     三个字段分别是：Pro　　word　　back_pro (注：arpa文件中给出的数值都是以10为底取对数后的结果)

1.2 需要特别介绍三个特殊字符。<s>、</s>和<unk>

　　　　一看便知，<s>和</s>结对使用，模型在计算概率时对每句话都进行了处理，将该对标记加在一句话的起始和结尾。这样就把开头和结尾的位置信息也考虑进来。

　　　　如“我 喜欢 吃 苹果” --> "<s> 我 喜欢 吃 苹果 </s>"。

　　　　<unk>表示unknown的词语，对于oov的单词可以用它的值进行替换。

　　2.n-gram概率计算

　　2.1 一元组w1

　　　　直接在arpa文件中查找，如果有则直接返回它的pro，否则返回<unk>的pro。

　　2.2 二元组w1w2

　　　　直接在arpa文件中查找，有则直接返回它的pro，否则返回back_pro(w1)*pro(w2)的结果。当然此处都去过log，直接加减即可。

　　2.3 三元组w1w2w3

　　　　这个说起来比较麻烦，画个图。

　　　　

　　　　其中有一点大家可能会比较疑惑。为什么文件中存在二元组w1w2，要输出 back_pro(w1w2)*pro(w2w3)，而没有w1w2，则可以直接输出pro(w2w3)。因为直观理解，有w1w2出现，概率pro(w1w2w3)的数值应该更大些。其实此处是用pro(w2w3)来近似代替pro(w1w2w3)的值。

　　　　我在arpa文件中选了前2000个一元组的pro和back_pro画出下图，由图我们可知，一个单词或者词组的pro和back_pro是负相关的。所以当二元组w1w2没有出现时，我们认为pro(w1w2)的特别小，相应地back_pro的值就会变大，而取完log以后的结果就为0，在加法中可以直接忽略该项。

　　

　　3. sentence pro计算

　　　　句子的计算就不需我多说了，一般情况下都只用到三元组。

　　4.衡量指标

　　4.1 衡量的指标暂时只考虑了困惑度（perplexity），定义如下：

　　　　

　　　　取完对数后计算超级方便，对数运算真乃利器也！！！