SRILM的使用及平滑方法说明

1.简介

SRILM是通过统计方法构建语言模型，主要应用于语音识别，文本标注和切分，以及机器翻译等。

SRILM支持语言模型的训练和评测，通过训练数据得到语言模型，其中包括最大似然估计及相应的平滑算法；评测是计算测试集的困惑度。其最基础和最核心的模块是n-gram模块，包括两个工 具：ngram-count和ngram，被用来估计语言模型和计算语言模型的困惑度。

2.使用方法

(1).语料初始化

a.数据清洗        b.分词(以空格划分)        c.将数据分为训练集和测试集

(2).从训练集中统计n-gram

ngram-count -text train.txt -order  -write train.count

其中参数-text指向训练集；-order指向生成几元的n-gram；-write指向输出文件，其包含两列，第一列为n元词，第二列为相应的频率。

(3).训练语言模型

ngram-count -read train.count -order  -lm train.lm -interpolate -kndiscount

其中参数-read指向(2)中的输出文件；-order同上；-lm指向语言模型输出文件，其为 ARPA文件格式；最后两个参数为所采用的平滑方法，-interpolate为插值平滑，-kndiscount为 modified　Kneser-Ney 打折法，这两个是联合使用的。

(4).测试语言模型

ngram -ppl test.txt -order  -lm train.lm >　train.lm.ppl

其中test.txt为测试集；参数-ppl对测试集句子进行评分(logP(T)，其 中P(T)为所有句子的概率乘积）和计算测试集困惑度的参数；train.lm.ppl为输出结果文件；其他参数同上。输出文件结果如下：
       
file devtest2006.en: 2000 sentences, 52388 words, 249 OOVs
       
0 zeroprobs, logprob= -105980 ppl= 90.6875 ppl1= 107.805
       
第一行文件devtest2006.en的基本信息：2000句，52888个单词，249个未登录词；
       
第二行为评分的基本情况：无0概率；logP(T)=-105980，ppl==90.6875, ppl1= 107.805，均为困惑度。

参考博客

https://blog.csdn.net/zhoubl668/article/details/8365716

3.平滑方法说明

在训练语言模型中，往往训练语料只是输入空间中的一个采样，也就是语料不足以包含所有情况的ngram，这样就会出现0概率的ngram。为了解决这种问题，就需要用到打折(discounting)或叫平滑(smoothing)方法。常用回退(backoff)和插值(interpolate)法实现平滑。

(1).回退

(2).插值