win8 64bit下srilm+cygwin实现ngram语言模型

2023-10-12 06:40

本文主要是介绍win8 64bit下srilm+cygwin实现ngram语言模型,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

ngram语言模型+win8 64bit下安装srilm+cygwin实现

最近导师给了个新项目关于信息抽取(给了三篇论文,实验室混一年,动手能力没怎么提高但是看论文倒是飞快),会用到语言模型,虽然自己本身NLP出身但是实现论文的方法会涉及很多工程性问题。

论文需要实现ngram中的Good Turing平滑和回退模型的Katz Backoff平滑(怪自己研一的主修课没认真实践,扫了一遍研一课件(常宝宝),看懂公式到看懂别人的代码花了大半天时间),这里先讲了下两种平滑,Turing平滑的思想是将高频n元组频率调整到低频n元组:

r(Turing)=(r+1)Nr+1Nr(1)

数据集中存在没有频度为(r+1)的n元组情况,需要改造公式(引入
S(r+1):Nr+1
的平滑):
r=(r+1)S(r+1)S(r)

这里变成了简单Good Turing平滑,函数S(r+1):
S(r)=Nr0.5(rlargerrsmaller)

这里有lager和smaller表示第一个比r更大和更小的频率(同时N不为0)即临近频率,可以先只考虑对S(r)的平滑,这里提供了线性平滑:
log(S(r))=a+blog(r)

那么可以直接对整个数据集进行平滑,求平均的a和b值(其实最后只用到b),那么最后:
r(GoodTuring)=(r+1)exp[b(log(r+1)log(r))]

一般来说,Turing平滑比Good Turing平滑可靠,当Turing估计值和Good Turing估计值绝对差小于1.65倍的Turing估计值的标准差,可以使用Good Turing平滑代替Turing平滑。
Turing方差近似计算如下:
Var(Turing)=(r+1)2Nr+1N2r(1+Nr+1Nr)

相关公式推导可以参考论文: [1] Church, K. and W. Gale, (1991), A comparison of the enhanced Good-Turing and deleted estimation methods for estimating probabilities of English bigrams, Computer Speech and Language, v. 5, pp. 19-54.
其实最后计算概率时候可以将r=0的那部分拿出来,其他部分如某个出现频次为r的单词的概率为:
P(r+)=(1N1Nall)rr=1r

那么r=0的那部分需要先统计测试集在训练集上未出现词的词汇量,然后平分:
P(r0)=1NvocabN1Nall

具体实现细节可以参考NLP开源代码,这里可以看看snowseg中good_turing.py,请自行网上搜索。

Good Turing平滑的缺陷在于高阶ngram无法融合可靠性更高的低阶ngram(即低阶频率高)。接下来Katz backoff便利用这个优势。回退模型中涉及到条件概率,对r进行分段分析(设阈值k=5,Katz):
(1)r>k:不平滑。
(2)r=0:即未出现,Turing估计中未出现词估计值为

N1
这需要从r>0那部分平滑过来,即从k>=r>0中平滑过来的频次,满足:
r=1kNrr(1dr)=N1
其中
dr
即下面的折扣率。另一方面需要回退到(n-1)gram,并需要将这部分概率归一化到从k=>r>0平滑出的全局概率,使得最后概率值和为1。
(3)k=>r>0:先进行Good Turing平滑,r*/r实际是对r的折扣,另外
dr
满足
1dr=u(1rr)

结合上面的式子,其实u为常量。

其他平滑请参考http://www.flickering.cn/nlp/2015/02/%E6%88%91%E4%BB%AC%E6%98%AF%E8%BF%99%E6%A0%B7%E7%90%86%E8%A7%A3%E8%AF%AD%E8%A8%80%E7%9A%84-2%E7%BB%9F%E8%AE%A1%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B/。

接下来就是srilm安装,srilm安装环境为linux,由于win8电脑不能关机(跑了快一周的数据),那么需要安装cygwin,这里安装需要注意srilm/doc/README.windows-cygwin提到的cygwin依赖库(make, gcc, binutils, libiconv, gzip, tcltk, and gawk以及tcl,实际运行时候报错缺什么安装什么,安装时候需要勾选),这里选择的是163镜像网址比较快,接下来便是将srilm解压缩到cygwin目录下,并将home/[username]/.bashrc文件添加环境变量如下行:

export SRILM=/srilm
export MACHINE_TYPE=cygwin
export PATH=$PATH:$pwd:$SRILM/bin/cygwin64
export MANPATH=$MANPATH:$SRILM/man

在srilm/Makefile 增加一行SRILM=/srilm,每一行请检查,这里需要保证和实际路径一致,uname -m测试保证机器变量和实际一致。
接下来便是运行cygwin,在命令行模式下进入cd /srilm依次执行make Worldmake allmake cleanest编译srilm,如遇到任何问题反复安装cygwin并勾选没有安装好的依赖库,整个过程差不多半个小时。运行如下:
这里写图片描述
srilm是一个强大的nlp库,具体见
http://www.speech.sri.com/projects/srilm/download.html,http://blog.csdn.net/zhoubl668/article/details/7759042。
cygwin和srilm安装参考http://m.blog.csdn.net/blog/lv_xinmy/8572496。
ubuntu上安装srilm参考http://www.leexiang.com/how-to-configure-srilm-on-ubuntu。

下节讨论基于上面基础之上的HMM模型。

这篇关于win8 64bit下srilm+cygwin实现ngram语言模型的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/194037

相关文章

IDEA如何实现远程断点调试jar包

《IDEA如何实现远程断点调试jar包》:本文主要介绍IDEA如何实现远程断点调试jar包的问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录问题步骤总结问题以jar包的形式运行Spring Boot项目时报错,但是在IDEA开发环境javascript下编译

Python实现自动化Word文档样式复制与内容生成

《Python实现自动化Word文档样式复制与内容生成》在办公自动化领域,高效处理Word文档的样式和内容复制是一个常见需求,本文将展示如何利用Python的python-docx库实现... 目录一、为什么需要自动化 Word 文档处理二、核心功能实现:样式与表格的深度复制1. 表格复制(含样式与内容)2

python获取cmd环境变量值的实现代码

《python获取cmd环境变量值的实现代码》:本文主要介绍在Python中获取命令行(cmd)环境变量的值,可以使用标准库中的os模块,需要的朋友可以参考下... 前言全局说明在执行py过程中,总要使用到系统环境变量一、说明1.1 环境:Windows 11 家庭版 24H2 26100.4061

Python中bisect_left 函数实现高效插入与有序列表管理

《Python中bisect_left函数实现高效插入与有序列表管理》Python的bisect_left函数通过二分查找高效定位有序列表插入位置,与bisect_right的区别在于处理重复元素时... 目录一、bisect_left 基本介绍1.1 函数定义1.2 核心功能二、bisect_left 与

VSCode设置python SDK路径的实现步骤

《VSCode设置pythonSDK路径的实现步骤》本文主要介绍了VSCode设置pythonSDK路径的实现步骤,包括命令面板切换、settings.json配置、环境变量及虚拟环境处理,具有一定... 目录一、通过命令面板快速切换(推荐方法)二、通过 settings.json 配置(项目级/全局)三、

pandas实现数据concat拼接的示例代码

《pandas实现数据concat拼接的示例代码》pandas.concat用于合并DataFrame或Series,本文主要介绍了pandas实现数据concat拼接的示例代码,具有一定的参考价值,... 目录语法示例:使用pandas.concat合并数据默认的concat:参数axis=0,join=

java中BigDecimal里面的subtract函数介绍及实现方法

《java中BigDecimal里面的subtract函数介绍及实现方法》在Java中实现减法操作需要根据数据类型选择不同方法,主要分为数值型减法和字符串减法两种场景,本文给大家介绍java中BigD... 目录Java中BigDecimal里面的subtract函数的意思?一、数值型减法(高精度计算)1.

C#代码实现解析WTGPS和BD数据

《C#代码实现解析WTGPS和BD数据》在现代的导航与定位应用中,准确解析GPS和北斗(BD)等卫星定位数据至关重要,本文将使用C#语言实现解析WTGPS和BD数据,需要的可以了解下... 目录一、代码结构概览1. 核心解析方法2. 位置信息解析3. 经纬度转换方法4. 日期和时间戳解析5. 辅助方法二、L

使用Python和Matplotlib实现可视化字体轮廓(从路径数据到矢量图形)

《使用Python和Matplotlib实现可视化字体轮廓(从路径数据到矢量图形)》字体设计和矢量图形处理是编程中一个有趣且实用的领域,通过Python的matplotlib库,我们可以轻松将字体轮廓... 目录背景知识字体轮廓的表示实现步骤1. 安装依赖库2. 准备数据3. 解析路径指令4. 绘制图形关键

详解如何使用Python从零开始构建文本统计模型

《详解如何使用Python从零开始构建文本统计模型》在自然语言处理领域,词汇表构建是文本预处理的关键环节,本文通过Python代码实践,演示如何从原始文本中提取多尺度特征,并通过动态调整机制构建更精确... 目录一、项目背景与核心思想二、核心代码解析1. 数据加载与预处理2. 多尺度字符统计3. 统计结果可