$N$-gramモデル

統計翻訳では一般的に，$N$-gramモデルを用いる． $N$-gramモデルとは``単語列 $P(W_1^n) = w_1^n = w_1 , w_2 , w_3 , ... w_n$ の $i$ 番目の単語 $w_i$ の生起確率 $P(w_i)$ は直前の($N-1$)の単語列 $w_{i-(N-1)} , w_{i-(N-2)} , w_{i-(N-3)} , ... w_{i-1}$に依存する''という仮説に基づくモデルである． また，$N=1$のモデルをuni-gram，$N=2$のモデルをbi-gram，$N=3$のモデルをtri-gramと特有の呼びかたをする． $N=4$以上は4-gramなど数値を用いて呼ぶ． $N$-gramは以下の式で表現される． ここで，$w_i^j$ は $i$ から $j$ 番目までの単語列を表す．

$$P(W^{n}_{1}) = P(w_1)×P(w_2\vert w_1)×P(w_3\vert w_1^2)...P(w_n\vert w_1^{n-1})$$ (2.5)

$$\approx P(w_1)×P(w_2\vert w_1)×P(w_3\vert w_1^2)...P(w_n\vert w_{n-(N-1)}^{n-1})$$ (2.6)

$$= \prod^{n}_{i=1}P(w_{i}\vert w_{i-(N-1)}^{i-1}) \par$$ (2.7)

また， $P(w_{i}\vert w_{n-(N-1)}^{i-1})$ は以下の式で計算される． ここで $C(w_1^i)$ は単語列 $w_1^i$ が出現する頻度を表す．

$$P(w_{i}\vert w_{i-(N-1)}^{i-1}) = \frac{C(w_{i-(N-1)}^i)}{C(w_{i-(N-1)}^{i-1})}$$ (2.8)

たとえば，``I have dogs .''という単語列に対して$N=2$としたbi-gramモデルの言語モデルを適応した場合，単語列が生成される確率は以下の式で計算される．

$$P(\lq\lq I have dogs .'') \simeq P(I)×P(have\vert I)×P(dogs\vert have)...P(.\vert dogs)$$ (2.9)

tri-gramモデルであれば， $P(dogs\vert I have)$，4-gramモデルであれば $P(.\vert I have dogs)$となる．

(2.8)式から信頼性の高い値を推定するためには，単語列 $W_1^n$ が多く出現している必要がある． しかし，実際には多くの単語列は出現数が0となることが多いため信頼できる値を推定できない場合が多い． 低頻度な語彙の場合， $C(w_{i-(N-1)}^i)，C(w_{i-(N-1)}^{i-1})$ の値が小さく，信頼性が低い．また，学習データ中に単語列 $w_1^i$ が存在しない場合，この単語列の出現確率は０と推定される． そのため，(2.8)式から信頼できる値を算出するためには，大規模なコーパスを用いて，各単語列の出現数を高める必要がある． そこで，出現頻度の少ない単語列をモデルの学習から削除(カットオフ)する方法や， 確率が0となるのを防ぐために，大きい確率を小さく，小さい確率を大きくするスムージング手法が提案されている． スムージングの代表的な手法にバックオフ・スムージングがある． バックオフ・スムージングは学習データに出現しない$N$-gramの値をより低い次数の($N$-1)-gramの値から推定する．