三、N元语法（N-gram）

为了弥补 One-Hot 独热编码的维度灾难和语义鸿沟以及 BOW 词袋模型丢失词序信息和稀疏性这些缺陷，将词表示成一个低维的实数向量，且相似的词的向量表示是相近的，可以用向量之间的距离来衡量相似度。

N-gram 统计语言模型是用来计算句子概率的概率模型，即某一个词的出现由其前面每一个词出现的概率决定。假设一个长度为N的句子，句子 S=(X1,...,XN)，那么这个句子的概率（也就是这 N 个词共同出现的概率）如下：

例如，长度为4的序列X1, X2, X3, X4 在Ungram、Bigram和Trigram中的概率分别为：

P(X1, X2, X3, X4) = P(X1)P(X2)P(X3)P(X4)

P(X1, X2, X3, X4) = P(X1)P(X2|X1)P(X3|X2)P(X4|X3)

P(X1, X2, X3, X4) = P(X1)P(X2|X1)P(X3|X1, X2)P(X4|X2, X3)

随着 N 的取值越大，N-gram 模型在理论上越精确，但是也越复杂，需要的计算量和训练语料数据量也就越大，并且精度提升的不够明显，所以在实际的任务中很少使用 n＞3 的语言模型。

例如，使用一个含有三句话的微型语料库，而且需要在这三句话的前后分别加上开始符和结束符 （目的是为了让以某一词为条件的所有概率加起来是 1，从而保证这确实是一个合法的概率分布）接下来我们来看语料：

我爱你
我爱她
她爱你

BOS：Begining Of Sequence，代表序列开始。 EOS：End Of Sequence，代表序列结束。

利用 Bi-gram 计算各个词出现的概率：

• 单词 "" 出现的次数：3次
• 单词 "我" 出现的次数：2次
• 单词 "爱" 出现的次数：3次
• 单词 "你" 出现的次数：2次
• 单词 "她" 出现的次数：2次
• 单词 "" 出现的次数：3次
• 二元组 "我爱" 出现的次数：2次
• 二元组 "爱你" 出现的次数：2次
• 二元组 "她爱" 出现的次数：1次
• 二元组 "爱她" 出现的次数：1次
• 二元组 "我" 出现的次数：2次
• 二元组 "她" 出现的次数：1次
• 二元组 "你" 出现的次数：2次
• 二元组 "她" 出现的次数：1次

利用 Bi-gram 计算相邻两个词先后出现的概率： 

• P(我|) = Count(我) / Count() = 2/3；
• P(她|) = Count(她) / Count() = 1/3；
• P(爱|我) = Count(我爱) / Count(我) = 1；
• P(|你) = Count(你) / Count(你) = 1；
• P(你|爱) = Count(爱你) / Count(爱) = 2/3；
• P(她|爱) = Count(爱她) / Count(爱) = 1/3；
• P(爱|她) = Count(她爱) / Count(她) = 1/2；
• P(|她) = Count(她) / Count(她) = 1/2.

这样我们就完成了 Bi-gram 各个概率值的计算，整个句子的概率就是挑选出对应的概率相乘即可。

• P(我爱你) = P(我|) × P(爱|我) × P(你|爱) × P(|你) = 2/3 × 1 × 2/3 ×1 = 4/9
• P(我爱她) = P(我|) × P(爱|我) × P(她|爱) × P(|你) = 2/3 × 1 × 1/3 ×1 = 2/9
• P(她爱你) = P(她|) × P(爱|她) × P(你|爱) × P(|你) = 1/3 × 1 × 1 × 2/3 = 2/9

N-gram 语言模型使用统计频次来近似概率值，可能会出现数据稀疏问题：

• 如果分子为0，估计的概率值为0，由于连乘的方式会导致最终计算出句子的概率值为0；
• 如果分母为0，分母为0，计算的公式将没有任何意义