我'm modeling the punctuation prediction problem as arising from a hidden event model, and am trying to follow the algorithm described in Stolcke'篇论文Modeling the Prosody of Hidden Events for Improved Word Recognition .
在计算ngram模型后，他描述了用于计算事件的最大似然序列的算法：
通过对P（W，S）使用N-gram模型，并如等式4中那样分解韵律似然，联合模型P（W，S，F）变得等效于隐马尔可夫模型（HMM） . HMM状态是（单词，事件）对，而韵律特征形成观察 . 转换概率由N-gram模型给出;通过下面描述的韵律模型估计发射概率 . 基于这种结构，我们可以使用熟悉的HMM前向动态规划算法有效地对所有可能的事件序列进行求和 .
我很困惑这可能是一个带有状态（单词，事件）的马尔可夫模型，因为如果我们的基础模型是一个N-gram模型，在我看来，状态需要编码N-1前面的单词才能有预测下一个州的所有必要信息 . 这里发生了什么？谢谢！
1 回答
表1描述了序列的可能隐藏标签 . 3.2 . 描述了HMM语义 . 所以说，排放是单词和标点符号 . 隐藏标签是由表1中提出的标签组成的序列中的标签 .