山大NLP实验1_山东大学 nlp

实验内容：

1.用python编程实践语言模型（uni-gram和bi-gram）,加入平滑技术。

2.计算test.txt中句子的PPL，对比uni-gram和bi-gram语言模型效果。

问题1：

程序运行速度很慢，特别是 bi-gram阶段，耗费较多时间。

解答：原本的程序是每次向函数中传入一个测试语句，然后对整体词典进行一次平滑处理操作。且使用实参传入时需要使用 copy函数。尤其是在进行 bi-gram过程时，需要使用 deepcopy函数，非常慢。之后直接对整个 test文本进行一次平滑操作。前后结果基本没有发生变化。

问题2：由于这里是对词进行处理，可能相同的词存在不同的大小写，而且对于句子中的标点符号该怎么处理？

解答：Python 、python、PYTHON这些词应该都属于一个词，所以应该将每个词都转换成小写来处理。而且对于句子中的标点符号应该删除。

问题3：

列表和字典作为实参传入函数时，在函数体内部改变形参，会导致实参也发生改变。

解决：一维列表传入使用list.copy()，二维字典传入使用 copy.deepcopy(dict)

问题4：

bi-gram的概率计算方式和平滑处理方式不合适，导致困惑度偏大

解答：

给句子添加首位，令 abc变成 begin abc end。这样的话，我们统计的时候，就可以仅统计 P(a|b)形式的词频就好了，因为 P(begin abc end) = P(begin)P(a|begin)P(b|a)P(c|b)P(end|c)。一句话的开头， P(begin) = 1。所以可以写成 P(begin abc end) = P(a|begin)P(b|a)P(c|b)P(end|c)。全是 P(a|b)形式，容易平滑和处理.