[机器学习入门] 李宏毅机器学习笔记-29(Sequence Labeling Problem part 1;结构化预测-序列标记 part 1)
| VIDEO |
|---|
Sequence Labeling
这里写图片描述
Example Task
POS tagging
词性标注，必须要考虑整个句子的information，所以光靠查表是无法解决的。
这里写图片描述
这里写图片描述
Outline
这里写图片描述
Hidden Markov Model (HMM)
隐马尔科夫模型
人是用一下两个步骤产生句子的。
HMM 2 steps
这里写图片描述
数字表示词相接的几率
比如动词后面接冠词，冠词后面接名词
这里写图片描述
产生某一词的几率就是一路上相乘的结果
这里写图片描述
HMM就是在描述说出某一句话的几率
这里写图片描述
总结一下
这里写图片描述
HMM – Estimating the probabilities
那么这个路径里的几率该如何得到呢？这就需收集data了。
这里写图片描述
有了充沛的标注数据集，这个问题就容易解决了。计算方法就是，比如，s后面接t的次数／s出现的个数=s后面接t的概率
这里写图片描述
HMM – How to do POS Tagging?
回到我们的任务是，有了句子x，找y，而y是未知的。
通过上面得到的几率，我们要把y找出来。
这里写图片描述
自然而然会想到是，概率最大的就是y，通过穷举y就可以实现。
这里写图片描述
HMM – Viterbi Algorithm
维特比算法
我们会发现，穷举的思想虽然容易想到，但是计算数量级会很大，还好我们有维特比算法来降低计算量。
这里写图片描述
HMM-Summary
这里写图片描述
HMM-Drawbacks
这里写图片描述
但是HMM有个问题，会脑补没有出现过的句子，很可能在training data中没有出现过的搭配却表现地不错，这种特点说明它在数据很少的时候是比较适用的。
那么为什么会产生这种脑补的现象，因为对他来说，transition probability和deviation 的probability是independent。
这里写图片描述
那么CRF就能解决这一问题。
（下接part 2 ）
