語言模型（N-Gram）

問題描述：因爲公司業務產品中，須要用戶本身填寫公司名稱，而這個公司名稱存在大量的亂填現象，所以須要對其作一些歸一化的問題。在這基礎上，能延伸出一個預測用戶填寫的公司名是否有效的模型出來。

目標：問題提出來了，就是想找到一種辦法來預測用戶填寫的公司名是否有效？

問題分析：要想預測用戶填寫的公司名稱是否有效，須要用到NLP的知識內容，咱們首先可以想到的是利用NLP中的語言模型，來對公司名稱進行訓練建模，並結合其餘的特徵（如：長度等）進行預測。

1、N-Gram的原理

N-Gram是基於一個假設：第n個詞出現與前n-1個詞相關，而與其餘任何詞不相關。（這也是隱馬爾可夫當中的假設。）整個句子出現的機率就等於各個詞出現的機率乘積。各個詞的機率能夠經過語料中統計計算獲得。假設句子T是有詞序列w1,w2,w3...wn組成，用公式表示N-Gram語言模型以下：

P(T)=P(w1)*p(w2)*p(w3)***p(wn)=p(w1)*p(w2|w1)*p(w3|w1w2)***p(wn|w1w2w3...)

 

通常經常使用的N-Gram模型是Bi-Gram和Tri-Gram。分別用公式表示以下：

Bi-Gram:　　P(T)=p(w1|begin)*p(w2|w1)*p(w3|w2)***p(wn|wn-1)

Tri-Gram:　　P(T)=p(w1|begin1,begin2)*p(w2|w1,begin1)*p(w3|w2w1)***p(wn|wn-1,wn-2)

• 注意上面機率的計算方法：P(w1|begin)=以w1爲開頭的全部句子/句子總數；p(w2|w1)=w1,w2同時出現的次數/w1出現的次數。以此類推。（這裏須要進行平滑）

2、N-Gram的應用

根據上面的分析，N-Gram（有時也稱爲N元模型）是天然語言處理中一個很是重要的概念，一般在NLP中，它主要有兩個重要應用場景：

（1）、人們基於必定的語料庫，能夠利用N-Gram來預計或者評估一個句子是否合理。

（2）、另一方面，N-Gram的另一個做用是用來評估兩個字符串之間的差別程度。這是模糊匹配中經常使用的一種手段。

一、N-gram在兩個字符串的模糊匹配中的應用

首先須要介紹一個比較重要的概念：N-Gram距離。

（1）N-gram距離

它是表示，兩個字符串s，t分別利用N-Gram語言模型來表示時，則對應N-gram子串中公共部分的長度就稱之爲N-Gram距離。例如：假設有字符串s，那麼按照N-Gram方法獲得N個分詞組成的子字符串，其中相同的子字符串個數做爲N-Gram距離計算的方式。具體以下所示：

字符串：s="ABC"，對字符串進行分詞，考慮字符串首尾的字符begin和end，獲得begin，A，B，C，end。這裏採用二元語言模型，則有：（begin,A）、（A,B）、（B,C）、（C,end）。

字符串：t="AB"，對字符串進行分詞，考慮字符串首尾的字符begin和end，獲得begin，A，B，end。這裏採用二元語言模型，則有：（begin,A）、（A,B）、（B,end）。

此時，若求字符串t與字符串s之間的距離能夠用M-(N-Gram距離)=0。

然而，上面的N—gram距離表示的並非很合理，他並無考慮兩個字符串的長度，因此在此基礎上，有人提出非重複的N-gram距離，公式以下所示：

                                               

上面的字符串距離從新計算爲：

　　　　　　4+3-2*3=1

二、N-Gram在判斷句子有效性上的應用

假設有一個字符串s="ABC",則對應的BI-Gram的結果以下：（begin,A）、（A,B）、（B,C）、（C,end）。則對應的出現字符串s的機率爲：

P(ABC)=P(A|begin)*P(B|A)*P(C|B)*P(end|C)。

 

三、N-Gram在特徵工程中的應用

在處理文本特徵的時候，一般一個關鍵詞做爲一個特徵。這也許在一些場景下可能不夠，須要進一步提取更多的特徵，這個時候能夠考慮N-Gram，思路以下：

以Bi-Gram爲例，在原始文本中，以每一個關鍵詞做爲一個特徵，經過將關鍵詞兩兩組合，獲得一個Bi-Gram組合，再根據N-Gram語言模型，計算各個Bi-Gram組合的機率，做爲新的特徵。