2019-03-06机器翻译，比如一个中文句子翻译为英文，中文句子可拆分为多个词，每个中文词可能会匹配多个英文单词，一句中文翻译为英文，可能会有多种翻译结果。那么：
隐藏状态层 -> 多种翻译结果可能性中的一种
输出层 -> 每个中文词可能匹配多个英文单词
这样理解不知是否正确？作者回复: 是的，理解正确
10
2019-02-21隐马尔科夫模型在语音中的应用，流程是：
1，根据拼音去找到单个对应的词语，不考虑声调的概率。
2，再根据词语之间转移的概率，词语对应目标音高的概率，进而求出整个句子输出的概率。概率越大，可能性越高。
因此第一个词可以是xiangmu 对应语料库的所有词，不一定是四声，可以是香木之类的词语。
不知道这样理解对不对？作者回复: 是的👍
7
2019-02-12不理解一个地方，由读音推测汉字的过程为什么要算P(xiang(4)mu(4)|项目）概率而不是P(项目|xiang(4)mu(4)）概率？隐马尔科夫解决由输出层找到产生输出的隐藏状态层，为什么不换个角度说成由看得到的输入层找到隐藏状态层呢？作者回复: 这个问题很好！这主要是从统计的可行性出发，以语音识别为例，我们的语料（或者说标注数据、历史数据）都是给定文本，比如说中文，然后收集用户的发音（如果是中文，发音也就对应是拼音），所以可以很自然的拿到P(中文|拼音)这种概率。
5- 2019-07-11学习了之后，又看了几篇隐马尔可夫的一些收获：
隐马尔科夫适用于，只知道表象（观测层或者输出层），而内部的状态是隐藏的，未知的，可能有无数种的。语音识别分为3步
1.表象推测出隐藏，比如xiangmu的拼音读音可以推出隐藏的的实际字是项目，也可以是香木，各自有一定的概率，也可以是木香，只不过概率为0。推出概率在一定值以上的，做为隐藏状态。
2.各自推出隐藏的状态后，这些状态可以组合成各种状态链，比如橡木凯发世间这种，可以想象会有各种诡异的词组，这时候就用到马尔科夫状态转移的方法，筛选出靠谱的词组，得出结论，比如项目转开发转时间，这个状态转移的概率很高。概率在一定值以上的，挑出来作为状态序列。
3.语音识别只需要一个解。也是隐马尔科夫的关键，隐藏层推出表象层的概率（有点反人类认知，但是贝叶斯告诉我们这个无非是个数学的转换），大概就是，p(隐藏)*p(表象|隐藏)。好像p(表象|隐藏)，就是隐藏推表象的概率，其实不然，这里的推出还要考虑到隐藏层本身是个状态转移。展开作者回复: 很好的总结，第3点可以使用贝叶斯定理推导出来，你可以尝试一下
2 
2019-03-05老师你好 ， “隐藏状态层”产生“输出层”的概率 这句话是什么意思。
还有 “隐藏状态层”产生“输出层”的概率 那个公式是怎么推导出来的。作者回复: 我看你另外一个问题，应该是已经理解了“隐藏状态层”和“输出层”的概念，简单的来理解，就是“隐藏层”到“输出层”是有一定概率分布的，不是必然的。如果必然了，就不需要区分这两层了，直接把“输出层”当做“隐藏层”就好了。
也正是因为如此，公式推导使用了条件概率公式。在“隐藏层”的某个状态给定的情况下，出现“输出层”某个输出的概率是多少，以此类推。 1
2019-03-02讲马尔可夫链的第一张图中，就是ABC的那种图，链上的概率是如何得出的？
我的理解是：根据语境中出现的AB，BC这些组合的概率，比如说总共有10个二元组，AB出现了一次，所以A到B的链上概率是0.1。如果按这么理解的话，那么所以的概率之和应该等于1吧。但是我算了一下，图中概率和等于1.1。不知道我理解的对不对，望老师解答😢作者回复: 不是这个意思。实际上每条出链接上的概率，表示给定出发点，到目标点的概率，是一种条件概率。比如，从A到B的概率是0.1，就是P(B|A)=0.1。所以，不能把这些条件概率相加。
我这里只是示意图，A可能还会链接到其他我没有画在图中的点，从A到所有目标点的概率加起来应该是1。比如从A出发一共到三个点，B，X和Y，P(B|A)=0.1，P(X|A)=0.5，P(Z|A)=0.4，加起来是1 1
2019-02-12输出层：被翻译语言，隐藏状态层：翻译语言
比如要翻译 get busy living ,or get busy dying
输出层为 get busy living ,or get busy dying
隐藏层可能为：
1、要么忙于生存，要么赶着去死
2、忙于活，或忙于死
。。。
然后按照隐马尔科夫概率乘积选择概率最大的
不知道这么理解对不对？展开作者回复: 思路是对的👍
1
2019-02-12硬着头皮看完。比如英文翻译目标语言，我认为要翻译的文本的直接看出来的特征（单词包括的意思），单词之间的语法规则和词性，时态是隐藏层。
数学差看起来就是费劲o(╥﹏╥)o，英文差看不懂最新论文。不清楚大家啥水平，我建议老师多给几个例子好理解些。深刻体会到没多一个公式，少一分看下去的兴趣。作者回复: 后面我会多一些关于公式的解释，帮助理解
1
2020-01-31希望老师可以说一下这些模型在实际的工程项目中，主要的难点在哪里？比如说，在运用语言模型来解决 PageRank 的实践中，在那个步骤会是难点。作者回复: 涉及到实践的话，要考虑的东西就比较多。作为数学模型，我们只需要知道PageRank的公式，可是如果Web网络的规模相当之大，那么实现的时候就无法只存储在内存之中，就需要考虑磁盘和内存的切换，或者采用分布式系统来利用多台机器的内存，或者是采用近似的优化，降低内存的消耗。
2020-01-08输出层 是输出的文字（被正确翻译的句子） 隐藏层句子中每个字 单词 背后的意思 ， 连在一起组成的顺通句子。 可以这么理解吧。作者回复: 这里容易混淆，举个例子，如果我们想将英文翻译成中文，那么输出层是英文，而隐藏层是中文，我们要看哪种中文的隐藏层，可以输出目标英文的概率最大，那么这个中文是最可能的翻译
2019-12-23黄老师，看到你回复“Thinking"同学的问题，不确定是不是笔误，应该是P(拼音|中文)的概率很好拿到吧，你好像说反了作者回复: 对，应该是P(中文|拼音)
2019-12-18输出层是目标语言的分词，状态层是源语言的分词，这么建模对吗？作者回复: 分词是其中一步，还有就是对应的翻译。另外，假设咱们要把中文翻译成英文，我理解你说的源语言和目标语言分别对应于中文和英文。如果是这样，需要对调，也就是源语言（中文）是我们所能观测到的输出层，而目标语言（英文）是要分析出的状态层。
2019-12-13尝试推导一下音频解析的公式：
2019-09-06思考题
输出层是原语言的句子，隐藏状态层是目标语言的单词和句子，我们要求解的是找到隐藏层中的句子，使得输出层（原语句，也就是被翻译的句子）出现概率最大。- 2019-09-06隐式马尔可夫的公式是不是计算y1 y2 y3 出现的联合概率，如果是的话，感觉少乘了两个p(x 1)，不知道是不是这样.
作者回复: 不完全是，实际上需要用到贝叶斯定理进行推导，并用马尔科夫假设简化
- 2019-09-06Pagerank公式可以分成两部分，第一部分,根据入链接，计算出每个入链接对该页面的PageRank贡献。第二部分，是把这个值和1/N，用α和1-α加权。第一部分体现的是其他指向该网页贡献。但是第二部分，我看不懂，老师能否解释一下，为什么要和1/N加权，多谢！
作者回复: 这里假设，有(1-α)的概率，从当前页面跳转到任何一个其他的页面，假设页面总共有N张，所以就是1/N的概率了。
- 2019-07-20老师您好，对于PageRank的web拓扑图，网页A链接网页B，网页B链接网页C,一个网页只和前一个网页有关，这是一个一阶的马尔科夫链，但实际中网页A也可能链接C吧，为什么PageRank不用高阶的马尔科夫链呢？
作者回复: 确实是可以的，我理解PageRank不用高阶是为了减少计算量
- 2019-03-05老师 语音识别的例子
隐藏层 ：项目开发时间 或者 橡木开发事件
输出层 ： xiang(四声)mu(四声) kai(一声)fa(一声) shi(四声)jian(四声)
xiang(一声)mu(-声) kai(一声)fa(一声) shi(四声)jian(四声)
xiang(四声)mu(-声) kai(一声)fa(一声) shi(二声)jian(四声)
等等所有可能的音调
不知道这么理解对不对？
另外还望老师解答下课后思考题展开作者回复: 对文中的例子，这个理解是对的。至于思考题，我暂时不回答，给其他读者更多的思考机会 😆