数学之美 系列三 -- 隐含马尔可夫模型在语言处理中的应用
发表者:吴军,Google 研究员前言:隐含马尔可夫模型是一个数学模型,到目前为之,它一直被认为是实现快速精确的语音识别系统的最成功的方法。复杂的语音识别问题通过隐含马尔可夫模型能非常简单地被表述、解决,让我不由由衷地感叹数学模型之妙。
自然语言是人类交流信息的工具。很多自然语言处理问题都可以等同于通信系统中的解码问题 -- 一个人根据接收到的信息,去猜测发话人要表达的意思。这其实就象通信中,我们根据接收端收到的信号去分析、理解、还原发送端传送过来的信息。以下该图就表示了一个典型的通信系统:
其中 s1,s2,s3...表示信息源发出的信号。o1, o2, o3 ... 是接受器接收到的信号。通信中的解码就是根据接收到的信号 o1, o2, o3 ...还原出发送的信号 s1,s2,s3...。
其实我们平时在说话时,脑子就是一个信息源。我们的喉咙(声带),空气,就是如电线和光缆般的信道。听众耳朵的就是接收端,而听到的声音就是传送过来的信号。根据声学信号来推测说话者的意思,就是语音识别。这样说来,如果接收端是一台计算机而不是人的话,那么计算机要做的就是语音的自动识别。同样,在计算机中,如果我们要根据接收到的英语信息,推测说话者的汉语意思,就是机器翻译; 如果我们要根据带有拼写错误的语句推测说话者想表达的正确意思,那就是自动纠错。
那么怎么根据接收到的信息来推测说话者想表达的意思呢?我们可以利用叫做“隐含马尔可夫模型”(Hidden Markov Model)来解决这些问题。以语音识别为例,当我们观测到语音信号 o1,o2,o3 时,我们要根据这组信号推测出发送的句子 s1,s2,s3。显然,我们应该在所有可能的句子中找最有可能性的一个。用数学语言来描述,就是在已知 o1,o2,o3,...的情况下,求使得条件概率
P (s1,s2,s3,...|o1,o2,o3....) 达到最大值的那个句子 s1,s2,s3,...
当然,上面的概率不容易直接求出,于是我们可以间接地计算它。利用贝叶斯公式并且省掉一个常数项,可以把上述公式等价变换成
P(o1,o2,o3,...|s1,s2,s3....) * P(s1,s2,s3,...)
其中
P(o1,o2,o3,...|s1,s2,s3....) 表示某句话 s1,s2,s3...被读成 o1,o2,o3,...的可能性, 而
P(s1,s2,s3,...) 表示字串 s1,s2,s3,...本身能够成为一个合乎情理的句子的可能性,所以这个公式的意义是用发送信号为 s1,s2,s3...这个数列的可能性乘以 s1,s2,s3...本身可以一个句子的可能性,得出概率。
(读者读到这里也许会问,你现在是不是把问题变得更复杂了,因为公式越写越长了。别着急,我们现在就来简化这个问题。)我们在这里做两个假设:
第一,s1,s2,s3,... 是一个马尔可夫链,也就是说,si 只由 si-1 决定 (详见系列一);
第二, 第 i 时刻的接收信号 oi 只由发送信号 si 决定(又称为独立输出假设, 即 P(o1,o2,o3,...|s1,s2,s3....) = P(o1|s1) * P(o2|s2)*P(o3|s3)...。
那么我们就可以很容易利用算法 Viterbi 找出上面式子的最大值,进而找出要识别的句子 s1,s2,s3,...。
满足上述两个假设的模型就叫隐含马尔可夫模型。我们之所以用“隐含”这个词,是因为状态 s1,s2,s3,...是无法直接观测到的。
隐含马尔可夫模型的应用远不只在语音识别中。在上面的公式中,如果我们把 s1,s2,s3,...当成中文,把 o1,o2,o3,...当成对应的英文,那么我们就能利用这个模型解决机器翻译问题; 如果我们把 o1,o2,o3,...当成扫描文字得到的图像特征,就能利用这个模型解决印刷体和手写体的识别。
P (o1,o2,o3,...|s1,s2,s3....) 根据应用的不同而又不同的名称,在语音识别中它被称为“声学模型” (Acoustic Model), 在机器翻译中是“翻译模型” (Translation Model) 而在拼写校正中是“纠错模型” (Correction Model)。 而P (s1,s2,s3,...) 就是我们在系列一中提到的语言模型。
在利用隐含马尔可夫模型解决语言处理问题前,先要进行模型的训练。 常用的训练方法由伯姆(Baum)在60年代提出的,并以他的名字命名。隐含马尔可夫模型在处理语言问题早期的成功应用是语音识别。七十年代,当时 IBM 的 Fred Jelinek (贾里尼克) 和卡内基·梅隆大学的 Jim and Janet Baker (贝克夫妇,李开复的师兄师姐) 分别独立地提出用隐含马尔可夫模型来识别语音,语音识别的错误率相比人工智能和模式匹配等方法降低了三倍 (从 30% 到 10%)。 八十年代李开复博士坚持采用隐含马尔可夫模型的框架, 成功地开发了世界上第一个大词汇量连续语音识别系统 Sphinx。
我最早接触到隐含马尔可夫模型是几乎二十年前的事。那时在《随机过程》(清华“著名”的一门课)里学到这个模型,但当时实在想不出它有什么实际用途。几年后,我在清华跟随王作英教授学习、研究语音识别时,他给了我几十篇文献。 我印象最深的就是贾里尼克和李开复的文章,它们的核心思想就是隐含马尔可夫模型。复杂的语音识别问题居然能如此简单地被表述、解决,我由衷地感叹数学模型之妙。
固定链接 |
相关推荐
隐马尔可夫模型及其在自然语言处理中的应用
HMM隐马尔可夫模型用于中文分词HMM隐马尔可夫模型用于中文分词
隐马尔可夫模型hmm及其在语音处理中的应用
隐马尔可夫模型及其在自然语言处理中的应用
灰色—马尔可夫链模型在股市预测中的应用,王礼霞,,根据灰色预测模型和马尔可夫预测思想,将灰色GM(1,1)预测模型结合马尔可夫链状态转移,阐述灰色—马尔可夫链模型原理并将此模�
第六章马尔可夫模型.ppt第六章马尔可夫模型.ppt第六章马尔可夫模型.ppt第六章马尔可夫模型.ppt第六章马尔可夫模型.ppt第六章马尔可夫模型.ppt第六章马尔可夫模型.ppt第六章马尔可夫模型.ppt第六章马尔可夫模型.ppt第...
马尔可夫模型在语音识别中的应用,时间序列结构 的建模能力. 本文首先深入浅出地介绍 了 HMM 的基本技术和一个基于 HMM 的孤立词语音 识 别 系统 的构成 方 法 , 其 次 , 基 于 HMM 尚存有 一 些缺 陷 。 造 成语 ...
论文研究-加权马尔可夫模型在降水丰枯状况预测中的应用.pdf, 首先基于降水过程存在大量不确定性、不精确性的特点 ,应用有序聚类的方法建立降水丰枯状况的分级标准 ;然后...
通过对原始数据累加后,建立灰色预测模型,再根据实测值与灰色模型预测值的相对变化率划分状态建立转移矩阵,进行马尔可夫预测。通过现场实测值和预测值的对比分析,发现灰色马尔可夫预测模型比灰色预测模型最大相对误差...
参考网上大神给的代码,自己调通了,使用隐马尔可夫模型进行中文分词
《自然语言处理入门》第04章 隐马尔可夫模型与序列标注.pptx
提出了一种基于层叠隐马尔可夫模型的方法,旨在将人名识别、地名识别以及机构名识别等
Implementation of Viterbi algorithm and Hidden Markov Model in C++ 维特比算法和隐马尔可夫模型的 C++ 实现 To run the demo in linux(unix), type the following command: (1) $ make (2) $ ./viterbi_demo
SAR图像处理方法 Contourlet域隐马尔可夫模型的应用 邓磊 测绘出版社
此ppt由专业人员编写,内容条例清晰,重点突出,结合了简单易懂的实例,深入浅出的介绍了隐马尔可夫模型。
隐马尔可夫模型的数学思想是由Baum以及他的同事在20世纪60年代末70年代初提出来的,被jack Ferguson用在了语音识别上
隐马尔可夫模型,c++代码
隐马尔可夫模型和词性标注笔记,隐马尔可夫模型和词性标注笔记,
隐马尔可夫模型(HMM)的孤立字语音识别,matlab程序实现