深度学习新手必学：使用Pytorch搭建一个N-Gram模型

本文由集智小仙女发表在集智AI学园公众号上，欢迎关注集智AI学园微信公众号：swarmAI。

前言

在使用语音搜索时，用户的输入语音常常含糊其词。比如 “daiyugang” 到底是 “戴玉刚” 还是 “带浴缸” ，仅凭声学根本无法判断。这时候就需要使用以往的大量历史搜索数据训练一个 N-gram 模型，依靠模型来估计出用户更可能的输入。

N-gram 的基本原理

N-gram 是计算机语言学和概率论范畴内的概念，是指给定的一段文本或语音中N个项目（item）的序列。项目（item）可以是音节、字母、单词。

N=1 时 N-gram 又称为 unigram，N=2 称为 bigram，N=3 称为 trigram，以此类推。实际应用通常采用 bigram 和 trigram 进行计算。

举例来说：“你今天休假了吗”

它的 bigram 依次为：

你今，今天，天休，休假，假了，了吗

制造这种语言模型的原因是基于这么一种思想：在整个语言环境中，句子T的出现概率是由组成T的N个item的出现概率组成的，如下公式所示：

P(T)=P(W1W2W3Wn)=P(W1)P(W2|W1)P(W3|W1W2)…P(Wn|W1W2…Wn-1)

以上公式难以实际应用。

此时出现马尔科夫模型，该模型认为，一个词的出现仅仅依赖于它前面出现的几个词。这就大大简化了上述公式：

P(T)≈P(W1)P(W2|W1)P(W3|W2)…P(Wn|Wn-1)

N-gram 的用途

输入法

用前几个字预测后几个字，这个功能在我们每天都在用的输入法里及其重要。比如，我们曾经最爱用的“智能ABC”，据说就使用了 N-gram 技术。

语音识别

同样的用途，N-gram 模型也被应用在语音识别领域。比如用户在使用语音搜索的时候，输入的语音常常含糊其词。比如语音“daiyugang”到底是“戴玉刚”还是“带浴缸”，仅凭声学模型根本无法判断用户到底说的是什么词。这时候厂商就需要通过以往的大量历史搜索数据训练一个 N-gram 模型，依靠模型来估计出用户更可能的输入。

词嵌入

你可能会疑惑，哎之前不是讲了用 Word2Vec 和 GloVe 做词嵌入吗？怎么 N-gram 模型也来插一腿？

是这样子滴，通常在使用 N-gram 模型时，模型的输入是每个词的独热编码向量，而每个向量的长度正是“词典”的大小。这么一来，在 N-gram 模型得到良好的训练后，可以使用模型输入层的每个神经元（代表每个词）所对应的权重参数，作为这个词的词向量。经过 N-gram 模型嵌入得到的词向量不同于 Word2Vec 和 GloVe，在自然语言处理领域有其独特的价值。

使用 PyTorch 实现简单 N-gram 语言模型

在前面的资料中，有讲到马尔科夫模型，即认为一个词的出现仅仅依赖于它前面出现的几个词。

我们今天就打造一个用前两个词预测第三个词的 N-gram 模型。我们准备了一篇莎士比亚的14行诗作为文本，并按顺序将整首诗拆成一个一个的单词。将前两个词作为训练数据，将第三个词作为目标数据，以此类推整个文本，生成训练数据集。

然后我们把训练数据（前两个词）传入到我们的 N-gram 模型（也就是我们的神经网络）中，让 N-gram 模型学习去预测第三个词。