Nlp SRILM语言模型

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

在这之后，我试着做一些例子来看看不同短语的概率，结果是对数概率为-0.9

问题是训练中有些单词的对数概率较低。例如，有5个阿巴塔努诺，其对数概率为-4.8

我觉得这很奇怪，因为一个短语比阿巴塔努诺更可能出现，在训练集中，3克阿巴塔努诺也出现了

这可以在这里看到：

 % ./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

你认为问题可能是什么

---

谢谢

这是SRILM的一个突出问题，请参见第30页Kenneth Heafield的脚注和他关于SRILM的说明。与训练数据中出现的稀有词相比，将质量分配给未知词的方式可以赋予它们更高的概率。您可以看看KenLM软件包，该软件包只有改进的Kneser-Ney的实现，通常比Kneser-Ney平滑性能更好，但对未知单词进行质量分配的方式可以防止这种情况发生。

这是SRILM的一个标记问题，请参见第30页Kenneth Heafield的脚注和他关于SRILM的注释。与训练数据中出现的稀有词相比，将质量分配给未知词的方式可以赋予它们更高的概率。您可以看一看KenLM软件包，该软件包只实现了修改后的Kneser-Ney，通常比Kneser-Ney平滑性能更好，但对未知单词进行质量分配的方式可以防止这种情况发生