导读：在NLP中，语言模型用来判断一句话是否是正常人说的，广泛应用于信息检索、机器翻译、语音识别等重要任务中。传统的语言模型主要基于统计方法（如：NLP基础：N-Gram模型），虽然可解释性强、易于理解，但存在泛化能力差等问题。随着深度学习技术的发展，相关技术也应用到语言模型中，如NNLM模型。本文就将对NNLM展开介绍。
1 NNLM模型结构
NNLM是通过第t个词前的n-1个词，预测每个词在第t个位置出现的概率，即：
其中f>0，即预测出的结果都是大于0的，且预测结果的和为1。根据论文《A Neural Probabilistic Language Model》所述（回复“NNLM”可获取论文原文），NNLM包含一个三层的神经网络，具体模型结构如下：
- 模型输入：输入为t位置前的n-1个词，并根据C得到每个输入词的词向量。C为V*m的矩阵，V为语料库包含的总词数，m为词向量维数。
- 神经网络-输入层：模型输入后得到的n-1个词向量，首尾拼接后得到一个整合后的向量 x。
- 神经网络-隐藏层：此处为全连接网络，tanh(d Hx)，其中d表示偏置，H是对应向量的权重，并通过tanh激活。
- 神经网络-输出层：隐藏层到输出层也是一个全连接，另外输入层到输出层有个线性变换，叫做直连边，在实验中发现加入直连接可减少迭代次数。最终得到t位置为不同词语（V个）的未归一化概率 y
其中U为V*h的矩阵，h为隐藏层单元数，不需要直连边时W为0。
5. 模型输出：输出层结果经过softmax，得到归一化后的概率结果。
2 模型训练目标及参数
- 模型参数： 一般来讲，神经网络的输入不需要训练，但是在NNLM模型中，神经网络的输入是词向量x，也是需要训练的参数。因此NNLM的权重参数和词向量是同时训练的，参数包括：
。
- 训练目标： NNLM训练目标是希望找到合适的参数并使得如下似然函数最大：
通过随机梯度下降的方式更新参数：
3 与统计模型相比的优点
使用基于统计的N-Gram时会遇到一个问题，即很多词的组合是语料库中未能出现的，因此这个词的出现概率为0，从而导致整个句子的出现概率为0。在实际应用中这样是不够合理的，因此要引入平滑算法解决这个问题。而NNLM自带平滑，不需要额外进行复杂的平滑操作。
4 补充概念-词向量
文本数据无法直接进行计算，如果想将自然语言问题转化为模型问题，需要将文本进行数字化。最普遍使用的方法就是one-hot，但是one-hot会带来两个主要问题：一是把每个词都转化为很长的向量，带来维度灾难，且这些向量中大部分都是0；二是one-hot无法表现出两个词的相似性。
词向量又叫做词嵌入，通过低维向量将词转化为空间中的一个点。一般是50-100维，大大降低了数据维度，且越相近的词距离越近，这也使得使用词嵌入的模型自带平滑功能。在训练语言模型的同时可以训练得到词向量。
参考文章：
https://zhuanlan.zhihu.com/p/417625837
http://licstar.net/archives/328#s0
https://mp.weixin.qq.com/s?__biz=MzI2MDU3OTgyOQ==&mid=2247491908&idx=1&sn=5d056222580e9a365f87bb697f73c550&chksm=ea6529dedd12a0c8d4ced252c3f5bbfd90a82428aee2a5103fb0a136e729af459f4638aee761&scene=21#wechat_redirect
