則該隨機過 程 Ｘｎ 為血液溶漿機離散時 間的 Ｍａｒｋｏｖ鏈。隨機過 程有兩層 含義：第一，它是 一個時 間函 數(shù)，隨時間的改變而改變；第二，每個時刻上的函數(shù)值是不確定的，是按照一定的概率隨機分 布的。實際上，自然語言中每個字母或音素的 出現(xiàn) 隨著 時間的 改變 而改變，是 時間 的函數(shù)， 而在每個時刻上出現(xiàn)什么字母（或音 素）則有一定 的概率性，是 隨機的。１９１３ 年，Ｍａｒｋｏｖ就 注意到語言符號出現(xiàn)概率的相互影響，指出自然語言就是一個由有記憶 信源發(fā)出 的 Ｍａｒｋｏｖ 鏈，在這一 Ｍａｒｋｏｖ鏈中，前面的語言符號對后面的語言符號是有影響的。 如果只考慮前面一個語言符號對后面一個語 言符 號出現(xiàn) 概率 的影 響，這 樣得 出的 語言 成分的鏈稱做一階馬爾科夫鏈；如果考慮前面 兩個語 言符 號對后 面一 個語言 符號 出現(xiàn) 概率 的影響，
則稱做二階馬爾科夫鏈，以此類推，當考慮前面 ｎ個 語言符號 對后面 一個語言 符號 出現(xiàn)概率的影響，則稱做 ｎ階馬爾 科夫 鏈。隨著 馬爾 科夫 鏈階 數(shù)的 增大，隨機 試驗 所得 出 的語言符號鏈愈來愈接近有意 義的語 言文 本。然而，正 像語 言學 家喬 姆 斯基（Ｃｈｏｍｓｋｙ）所 指出的，描述自然語言的馬爾科夫鏈的階數(shù)并不是無窮增加的，它的極限就是語法上和語義 上成立的自然語言句子的集合，這樣，就有理由將自然語言的句子看成是重數(shù)很大的馬爾科 夫鏈了。 ｎ－ｇｒａｍ 模型是近年來最流行的語 言模 型，它是這 樣定 義的：如 果用 變量 Ｓ代 表文 本 中一個任意的符號（字、詞、詞 性標 記 或義 類 標記 符 號）序列，它由 順 序排 列 的 ｎ 個 符號 組 成，即 Ｓ＝ Ｗ１ Ｗ２… Ｗｉ… Ｗｎ，則 Ｓ在文本中的出現(xiàn)概率 Ｐ（Ｗ１Ｗ２… Ｗｉ… Ｗｎ）可以用 下式 表示： Ｐ（Ｓ）＝ Ｐ（Ｗ１ Ｗ２… Ｗｉ… Ｗｎ） ＝ Ｐ（Ｗ１）Ｐ（Ｗ２／Ｗ１）…Ｐ（Ｗｎ／Ｗ１Ｗ２… Ｗｎ－１） 其中，Ｐ（Ｗｎ／Ｗ１Ｗ２… Ｗｎ－１）表示在給定上下文 信息 Ｗ１ Ｗ２… Ｗｎ－１的條件 下，Ｗｎ 的 出現(xiàn) 的概率，即要考慮前面的 ｎ－１ 個符 號對 當前符 號出 現(xiàn)情況 的 影響。 這種 模型 由于
假設 當 前詞的出現(xiàn)只 與前面 ｎ－１ 個詞有關，而 與其他詞 無關，可以看 做滿足 Ｍａｒｋｏｖ模型的 無后 效性條件，也就可以將其看做是一個廣義的 ｎ－１階 Ｍａｒｋｏｖ模型。 ２７４ 第七章 自然語言理解 （２） 隱 Ｍａｒｋｏｖ模型 隱 Ｍａｒｋｏｖ模型是由 Ｂａｕｍ 首先提出的，后被廣泛地應用于語音識別和詞性標注。 它包 含了雙重隨機過程，一個是系統(tǒng)狀態(tài)變化的過 程，狀態(tài) 變化所 形成 的狀 態(tài)序列 叫做 狀態(tài)鏈； 另一個是由狀態(tài)決定觀察的隨機過程，是一個 輸出 的過 程，所 得到 的輸 出序列 稱做 輸出鏈。 “隱”的意思就是輸出鏈是可觀察到的，但 狀態(tài) 鏈卻 是“隱藏”的、看不 見的。 一個隱 Ｍａｒｋｏｖ 模型的形式描述為 λ＝（Ａ，Ｂ，π），其中，Ａ＝｛ａｉｊ｝為狀態(tài)轉移概率矩陣，且０≤ａｉｊ
