基于SRILM的语言模型

Question

我正在尝试使用SRILM构建一个语言模型。我有一个短语列表，我使用以下方法创建模型：

./ngram-count -text corpus.txt -order 3 -ukndiscount -interpolate -unk -lm corpus.lm

在此之后，我试着做一些例子，看看不同短语的概率，结果发现日志概率为-0.9。

问题是在训练中有一些单词具有较低的日志概率。例如，有5个"abatantuono“，其日志概率为-4.8。

我认为这很奇怪，因为一个短语<s> <unk> </s>比<s> abatantuono </s>更有可能，而且在训练集中，3克<s> abatantuono </s>也出现了！

在这里可以看到：

 % ./ngram -lm corpus.lm -ppl ../../../corpus.txt.test -debug 2 -unk
 reading 52147 1-grams
 reading 316818 2-grams
 reading 91463 3-grams
 abatantuono
     p( abatantuono | <s> )     = [2gram] 1.6643e-05 [ -4.77877 ]
     p( </s> | abatantuono ...)     = [3gram] 0.717486 [ -0.144186 ]
 1 sentences, 1 words, 0 OOVs
 0 zeroprobs, logprob= -4.92296 ppl= 289.386 ppl1= 83744.3

 abatantonno
     p( <unk> | <s> )   = [1gram] 0.00700236 [ -2.15476 ]
     p( </s> | <unk> ...)   = [1gram] 0.112416 [ -0.949172 ]
 1 sentences, 1 words, 0 OOVs
 0 zeroprobs, logprob= -3.10393 ppl= 35.6422 ppl1= 1270.36

 file ../../../corpus.txt.test: 2 sentences, 2 words, 0 OOVs
 0 zeroprobs, logprob= -8.02688 ppl= 101.56 ppl1= 10314.3

你觉得问题会是什么？

谢谢

Answer 1

这是SRILM的一个标记问题(见肯尼思·海菲尔德的论文 -第30页的脚注和他关于SRILM的网站注释)。与训练数据中所见的稀有词相比，质量分配给未知单词的方法可以给它们分配更高的概率。您可以查看KenLM包，它只有修改的Kneser的实现(通常比Kneser平滑的性能要好)，但是对未知单词的大量分配可以防止这种情况发生。