Ngram ppl 计算说明

语言模型可以用于知道前个词的情况下，预测第个词的概率。
Perplexity(PPL) 用来衡量语言模型的好坏，越小越好。其物理意义可以近似理解为：有了语言模型后，预测的第个词的可能性大小，比如ppl=76，可以近似理解为，知道了前个词，第个词平均情况下的可能性大小为76，如果没有语言模型，这个可能性为词典大小，ppl具体计算公式如下:

通常得到的是log值，转换后如下

: 句子中词的个数。ppl计算中包括，ppl1中计算不包括，所有N要少1，ppl1比ppl要大不少

示例如下：

ppl.png

Ngram工具srilm中：

• 底数选用都是10，而不是自然对数，句子概率计算以及ppl计算的时候都是10。同样的，语音识别中和声学模型得分进行插值的时候需要做个转换。
• 句子得分计算的时候，需要在前后加上、<\s>，p()概率为1，log值为0，因为第一个词默认都是。
• 语音识别得分计算中包括am cost、graph cost，其中graph cost = lm score + dict score + hmm score。 前两者分别是由G.fst和L.fst提供，构图后的HCLG.fst中就包括这两部分，hmm score 跳转是hmm state跳转部分，也就是Ha.fst部分。