A unigram model used in information

A unigram model used in information retrieval can be treated as the combination of several one-state finite automata.[1] It splits the probabilities of different terms in a context, e.g. from {displaystyle P(t_{1}t_{2}t_{3})=P(t_{1})P(t_{2}mid t_{1})P(t_{3}mid t_{1}t_{2})} P(t_{1}t_{2}t_{3})=P(t_{1})P(t_{2}mid t_{1})P(t_{3}mid t_{1}t_{2}) to {displaystyle P_{ ext{uni}}(t_{1}t_{2}t_{3})=P(t_{1})P(t_{2})P(t_{3})} P_{{ ext{uni}}}(t_{1}t_{2}t_{3})=P(t_{1})P(t_{2})P(t_{3}).

In this model, the probability to hit each word all depends on its own, so we only have one-state finite automata as units. For each automaton, we only have one way to hit its only state, assigned with one probability. Viewing from the whole model, the sum of all the one-state-hitting probabilities should be 1. Followed is an illustration of a unigram model of a document.

ผลลัพธ์ (ไทย) 1:

รุ่น unigram ที่ใช้ในการดึงข้อมูลสามารถใช้เป็นการผสมผสานของหลายรัฐหนึ่งออโตมาตาจำกัด [1]แยกน่าจะของคำในบริบท เช่นจาก { displaystyle P (t_ t_ { 1 } { 2 } t_ { 3 }) = P (t_ {1}) P (t_ t_ mid { 2 } { 1 }) P (t_ { 3 } mid t_ { 1 } t_ { 2 }) } P (t_ t_ { 1 } { 2 } t_ { 3 }) = P P (t_ t_ mid { 2 } { 1 }) P (t_ {1}) (t_ { 3 } mid t_ { 1 } t_ { 2 }) ไป { displaystyle P_ { ext {uni } } (t_ t_ { 1 } { 2 } t_ { 3 }) = P P (t_ {1}) (t_ { 2 }) P ( t_ { 3 }) } P_{{ ext{uni}}}(t_{1}t_{2}t_{3})=P(t_{1})P(t_{2})P(t_{3})ในรูปแบบนี้ น่าเป็นการตีแต่ละคำทั้งหมดขึ้นกับตัวเอง ดังนั้นเราจะออโตมาตาจำกัดของรัฐหนึ่งเป็นชุด สำหรับแต่ละออโตมาตา เราเพียงมีวิธีหนึ่งในการตีความรัฐ กำหนดให้กับความน่าเป็นที่หนึ่ง ดูจากแบบจำลองทั้งหมด จำนวนน่าจะหนึ่งรัฐตีความทั้งหมดควรเป็น 1 ตามเป็นภาพประกอบของรูปแบบ unigram ของเอกสาร

ผลลัพธ์ (ไทย) 2:

รูปแบบ unigram ใช้ในการดึงข้อมูลสามารถจะถือว่าเป็นการรวมกันของหลาย ๆ หนึ่งรัฐออโต จำกัด . [1] มันแยกน่าจะเป็นของเงื่อนไขที่ต่างกันในบริบทเช่นจาก { displaystyle P (t_ {1} t_ {2} t_ {3}) = P (t_ {1}) P (t_ {2} กลาง t_ {1 }) P (t_ {3} กลาง t_ {1} t_ {2})} P (t_ {1} t_ {2} t_ {3}) = P (t_ {1}) P (t_ {2} กลาง t_ {1}) P (t_ {3} กลาง t_ {1} t_ {2}) ไป { displaystyle P _ { ข้อความ {Uni}} (t_ {1} t_ {2} t_ {3}) = P (t_ {1}) P (t_ {2}) P (t_ {3})} P _ {{ ข้อความ {Uni}}} (t_ {1} t_ {2} t_ {3}) = P (t_ {1}) P (t_ {2}) P (t_ {3}).

ในรูปแบบนี้น่าจะเป็นที่จะตีแต่ละคำทั้งหมดขึ้นอยู่กับตัวของมันเองดังนั้นเราจึงมีเพียงหนึ่งในรัฐออโต จำกัด เป็นหน่วย สำหรับแต่ละหุ่นยนต์, เรามีเพียงวิธีหนึ่งที่จะตีรัฐเท่านั้นที่ได้รับมอบหมายด้วยความน่าจะเป็นอย่างใดอย่างหนึ่ง กำลังดูจากรูปแบบทั้งผลรวมของความน่าจะเป็นหนึ่งในรัฐชน 1. ควรจะตามมาคือภาพประกอบของรูปแบบ unigram ของเอกสาร

ผลลัพธ์ (ไทย) 3:

A unigram model used in information retrieval can be treated as the combination of several one-state finite automata.[1] It splits the probabilities of different terms in a context, e.g. from {displaystyle P(t_{1}t_{2}t_{3})=P(t_{1})P(t_{2}mid t_{1})P(t_{3}mid t_{1}t_{2})} P(t_{1}t_{2}t_{3})=P(t_{1})P(t_{2}mid t_{1})P(t_{3}mid t_{1}t_{2}) to {displaystyle P_{ ext{uni}}(t_{1}t_{2}t_{3})=P(t_{1})P(t_{2})P(t_{3})} P_{{ ext{uni}}}(t_{1}t_{2}t_{3})=P(t_{1})P(t_{2})P(t_{3}).ในรูปแบบนี้ โอกาสที่จะตีแต่ละคำทั้งหมดขึ้นอยู่กับตัวเอง ดังนั้นเราจึงมีเพียงหนึ่งรัฐจำกัดจำกัดเป็นหน่วย สำหรับแต่ละหุ่นยนต์ เรามีเพียงวิธีหนึ่งในการเข้าชมของรัฐเท่านั้น ให้กับความน่าจะเป็น ดูจากรูปแบบทั้งหมด ผลรวมของทั้งหมดของรัฐหนึ่งตีความน่าจะเป็นน่าจะ 1 ตามภาพประกอบของ unigram รูปแบบของเอกสาร