SRILM使用之ngram-count

原文链接：https://blog.csdn.net/GavinLiu1990/article/details/81363936

 

因为经常使用SRILM来建立语言模型，因此把自己在使用过程中的一些心得写下来和大家分享一下。

-help 输出帮助信息

-version 输出版本信息

-order    n 设置计数时N-grams的最大阶数，这同样也是生成的语言模型的最大阶数，默认为3。

 

-vocab    vocab_file 读取词典vocab_file。生成语言模型时，如果计数文件中或者训练文件中，如果出现了词典vocab_file之外的词（OOV)，则这些词会被替换为<unk>。

 

-vocab-aliases    vocab-aliases_file

读取“词-映射词”文件vocab-aliases_file，其格式如下：
alias                word
这样在生成语言模型时，alias会被映射成word。
比如：PLA        人民解放军
则在计数时，或者生成语言模型时，所有的“PLA”都会被映射为“人民解放军”。

 

-write-vocab    vocab_file 在计数过程中，将生成的词典输出到vocab_file中。

 

 

-write-vocab-index    vocab-index_file 在计数过程中，将生成的词典输出到vocab-index_file中，并且每个词都有编号。

 

-tagged 假设训练文件中，包含了“词/标记”组合。

-tolower

把词典中的词都变成小写（对英文）

-memuse

输出内存使用状况。

计数选项
-text    textfile 根据训练文件textfile生成N-gram计数文件或者N-gram语言模型。

-text-has-weights

假设训练文件是有权重的，即每行语句的第一个数字为这行语句的权重，在计数过程中会乘上这个权重。
比如：3    我    是    中国人
相当于“我    是    中国人”出现了3次。

 

-no-sos 在计数过程中，每行语句不会自动添加开始符号<s>

 

-no-eos 在计数过程中，每行语句不会自动添加结束符号</s>

 

-read    count_file 读取计数文件count_file来生成语言模型。

 

-intersect    intersect_file 在读取计数文件counts_file时，通过intersect_file来限制读取计数。可理解为两个计数文件的交集，但是计数仍为counts_file的计数。

 

-write    count_file 把计数文件输出到count_file中。

-write-binary    count_binary_file 把计数文件输出到二进制文件count_binary_file中。

 

-writen    countn_file 只把某一阶的计数文件输出来，其中n为1,2,3,4,5,6,7,8或者9。
比如输出3阶计数文件：-write3    count3_file 

-sort

如果使用此选项，那么生成的计数文件将是字典顺序排序的。

-limit-vocab    vocabulary.

如果使用此选项，可配合-vocab    vocab_file选项。在读取计数文件来生成语言模型时，如果有词出现在词典外，在时，包含此词的计数会被忽略。

 

语言模型选项

-lm    lm_file 

估计的语言模型输出到lm_file，默认为回退N-gram语言模型。

 

-write-binary-lm 如果使用此选项，那么生成的语言模型lm_file将会是二进制的。

-nonevents    nonevents_file 读取“非事件文件nonevents_file”，其中的词认为是“非事件”，只存在为N-gram中，概率为0。 比如：“美丽”这个词在nonevents_file中，那么生成语言模型时，
3-gram“我    是    美丽”的概率为0，如果用对数表示，则为-99。
但是要注意 3-gram“是    美丽    的”的概率不一定为0的，因为此时估计的概率是“是    美丽”之后接“的”的概率。

 

-float-counts

如果使用此选项，那么计数不一定是整数，也可为浮点数。

 

-unk

生成一个“开放式词典”语言模型，也就是说把<unk>标签当成一个普通词。生成语言模型时，默认是移除掉<unk>标签的。

 

-map-unk    word

将<unk>映射成word，而不使用<unk>标签。

 

-prune    threshold

对语言模型进行剪枝。移除一些N-gram，使用移除之后的语言模型的困惑度相比之前变化不超过threshold。比如：-prune    0.2即(PPLnew-PPLold)/PPLold    <    0.2

 

-minprune    n 确定哪阶及其上的N-gram需要剪枝，默认为2，即2阶及2阶以上的N-gram都会剪枝。

 

-debug    level 是否输出debug信息，默认无。

 

-gtnmin    count

-gtnmin中的n为1,2,3,4,5,6,7,8或者9。设置计数最小阈值count，也就是如果某阶中哪个N-gram的计数小于count，则认为这个N-gram的计数为0。
这个选项不仅对Good-Turing折扣算法有效，对其它回退算法亦有效。
比如：
-gt3min    3
假设3-gram中，“我    是    中国人”只出现了2次，那么“我    是    中国人”在生成语言模型时认为它出现了0次。

-gtnmax    count

设置Good-Turing折扣算法中，计数最大阈值count，超过count，则使用最大似然估计。

在接下来的折扣算法及参数当中，n为1,2,3,4,5,6,7,8或者9。
比如：
-gt2 gt2file
-cdiscount3 0.2
-wbdiscount2
…
如果n没有指定，那么认为是对所有阶N-gram有效。
比如：
-cdiscount 0.2
-wbdiscount
-ndiscount
…
如果没有指定折扣算法，默认会使用Good-Turing折扣算法。

-gtn    gtfile

保存或者读取Good-Turing折扣算法参数，包括计数最小最大阈值和折扣因子。
这比较有用，这是因为我们计算Good-Turing折扣算法参数用的无限制的词典，而真正生成最终的语言模型时，会用一个固定词典。
当使用-lm    lmfile选项时，是读取gtfile；否则是保存gtfile。

-cdiscountn    discount

使用Ney的绝对折扣算法，使用参数discount作为折扣常数，discount必须要介于0和1之间。

-wbdiscountn

使用Witten-Bell折扣算法。

-ndiscountn

使用Ristad自然折扣算法。

-addsmoothn    delta

使用“加-k”折扣算法。

-kndiscountn

使用“修正Kneser-Ney”折扣算法。

-kn-counts-modified

如果使用此选项，那么认为读取的计数文件是经过Kneser-Ney算法修正后的。

-knn    knfile

保存或者读取Kneser-Ney折扣算法参数，包括计数最小最大阈值和折扣常数。
这比较有用，这是因为我们计算Kneser-Ney折扣算法参数用的无限制的词典，而真正生成最终的语言模型时，会用一个固定词典。
当使用-lm    lmfile选项时，是读取knfile；否则是保存knfile。

-ukndiscountn

使用“原始Kneser-Ney”的折扣算法。

-interpolaten

如果使用此选项，表示使用折扣算法会进行插值处理，目前仅“Witten-Bell”，“绝对折扣算法”，“原始Kneser-Ney”和“修正Kneser-Ney”折扣算法支持插值。

Tips:
使用nrgam-count，主要是三要素：训练文件，计数文件，语言模型，流程都是“训练文件–>计数文件–>语言模型”。
先将训练文件进行计数，通过-gtnmin    mincount来控制哪些计数丢弃，即计数为0，然后再得到中间计数文件，再针对中间计数文件进行折扣算法，得到最终的语言模型。计数文件是一个中间文件，可以通过-write    count_file来输出保存。
目前ngram-count支持7种折扣算法:
1)-addsmooth    delta
2)-cdiscount    delta
3)-wbdiscount
4)-ndiscount
5)-ukndiscount
6)-kndiscount
7)默认为Good-Turing折扣算法，即不设定上述6种折扣算法，会默认使用Good-Turing折扣算法。
要注意的是，使用Kneser-Ney折扣算法，输出的计数文件是经过Kneser-Ney算法修正之后的计数。
较为常用的使用方法如下：
最简单(Good-Turing折扣算法)：ngram-count -text train -lm LM.ARPA
输出词典和计数文件：ngram-count -text train -write-vocab VOCAB -write COUNT -lm LM.ARPA
对语言模型剪枝：ngram-count -text train -prune 0.2 -lm LM.ARPA
设置计数最小阈值：ngram-count -text train -gt1min 1 -gt2min 1 -gt3min 2 -lm LM.ARPA
使用经过插值的修正Kneser-Ney折扣算法：ngram-count -text train -kndiscount -interpolate -lm LM.ARPA
将debug信息输出来：ngram-count -text train -kndiscount -interpolate -lm LM.ARPA -debug 1 2>DEBUG