所有输入法基本原理之"马尔科夫链"的扩展——贝叶斯网络

1.贝叶斯网络

          a.定义：

               将相互交叉、错综复杂的事情的关系图描述为一个网络，每个圆圈代表一个状态（事情），圆圈间的连线为两者间的关系，假设马尔科夫假设成立，即每一个状态只和它直接相连的状态有关，和间接相连的状态没有直接关系，那么此网络成为贝叶斯网络

     

          b.可信度：

               两个状态间量化的权重，马尔科夫假设保证了贝叶斯网络（贝叶斯公式）便于计算；由于每个弧都有可信度，因此贝叶斯网络也称作信念网络

 

          c.模型计算：

               i.关系：其拓扑结构比马尔科夫链灵活，不受马尔科夫链状结构的约束，可以描述事物间更加复杂的相关性；马尔科夫链是贝叶斯网络的特例，贝叶斯网络是马尔科夫链的推广

               ii.其模型的计算分为结构训练和参数训练

               iii.茨威格和比尔默开发了工具包

 

2.贝叶斯网络在词分类中的应用：

          a.文本分类方法：

               i.文本和关键词的关联矩阵的奇异值分解

               ii.文本特征向量的余弦距离的聚类

 

          b.词分类：

               i.将文本和关键词的关联矩阵转置90°，进行奇异值分解

               ii.或者对每个此以文本作为维度，建立向量，再聚类

               iii.得到对词的一个分类，我们成为一个概念

                    

               vi.关键词的相似性应考虑在上下文中同现和不同粒度

 

3.贝叶斯网络的训练：

          a.结构的确定：

               i.满足的条件：产生的序列从头走到尾的概率最大，即后验概率最大

               ii.方法：完备搜索（考虑每条路径）-->贪婪算法（局部最优）-->蒙特卡罗方法（用许多随机数测试局部最优是否是全局最优）-->信息论方法（计算节点两两间的互信息，保留互信息较大的节点直接相连，再对简化的网络进行完备搜索）

          b.权重的确定：

               i.优化网络的参数，使观察到的这些数据的后验概率最大，前面介绍的EM过程                    

               ii.后验概率是计算条件X和结果Y间的联合概率P(X,Y)，训练数据会提供一些P(X,Y)的限制条件，而最后的模型必须满足这些限制条件

               iii.结构和参数的训练是交替进行的