什么是 NLP 中经过训练的模型？
What are trained models in NLP?
我是自然语言处理的新手。谁能告诉我 OpenNLP 或 Stanford CoreNLP 中经过训练的模型是什么？在使用 apache openNLP 包在 java 中编码时，我们总是必须包含一些经过训练的模型（可在此处 http://opennlp.sourceforge.net/models-1.5/ 找到）。它们是什么？
A "model" as downloadable for OpenNLP is a set of data representing a set of probability distributions used for predicting the structure you want (e.g. part-of-speech 标签）来自您提供的输入（对于 OpenNLP，通常是文本文件）。
鉴于自然语言是 context-sensitive†, this model is used in lieu of a rule-based system because it generally works better than the latter for a number of reasons which I won't expound here for the sake of brevity. For example, as ，标记 完美 可以是动词 (VB) 或形容词 (JJ ) 这只能在上下文中消除歧义：
- 这个答案很完美 — 对于这个例子，以下 POS 标签序列是可能的（除了更多‡） :
DT NN VBZ JJDT NN VBZ VB
然而，根据准确表示 ("correct") 英语的模型§，示例 1 的概率大于示例 2 的概率：P([DT, NN, VBZ, JJ] | ["This", "answer", "is", "perfect"]) > P([DT, NN, VBZ, VB] | ["This", "answer", "is", "perfect"])
†实际上，这是很有争议的，但我在这里强调，我说的是整个自然语言（包括 semantics/pragmatics/etc.），而不是只是关于自然语言 语法 ，其中（至少在英语的情况下）is considered by some to be context-free.
‡当以数据驱动的方式分析语言时，实际上任何个POS标签的组合是"possible"，但是，给定 "correct" 几乎没有噪音的当代英语样本，母语人士判断为 "wrong" 的标签分配出现的概率应该极低。
§在实践中，这意味着模型在（当代）英语（或您想要分析的其他一些目标领域）的大型、多样化语料库上训练，并具有适当的调整参数（如果我想更精确的话，这个脚注很容易有多个段落那么长）。
将经过训练的模型视为 "wise brain with existing information"。
当您开始机器学习时，您的模型的大脑是干净而空洞的。您可以下载经过训练的模型，也可以训练自己的模型（比如教授 child）
通常您只训练边缘情况的模型，否则您下载 "Trained models" 并开始 predicting/machine 学习。
我是自然语言处理的新手。谁能告诉我 OpenNLP 或 Stanford CoreNLP 中经过训练的模型是什么？在使用 apache openNLP 包在 java 中编码时，我们总是必须包含一些经过训练的模型（可在此处 http://opennlp.sourceforge.net/models-1.5/ 找到）。它们是什么？
A "model" as downloadable for OpenNLP is a set of data representing a set of probability distributions used for predicting the structure you want (e.g. part-of-speech 标签）来自您提供的输入（对于 OpenNLP，通常是文本文件）。
鉴于自然语言是 context-sensitive†, this model is used in lieu of a rule-based system because it generally works better than the latter for a number of reasons which I won't expound here for the sake of brevity. For example, as VB) 或形容词 (JJ ) 这只能在上下文中消除歧义：
- 这个答案很完美 — 对于这个例子，以下 POS 标签序列是可能的（除了更多‡） :
DT NN VBZ JJDT NN VBZ VB
然而，根据准确表示 ("correct") 英语的模型§，示例 1 的概率大于示例 2 的概率：P([DT, NN, VBZ, JJ] | ["This", "answer", "is", "perfect"]) > P([DT, NN, VBZ, VB] | ["This", "answer", "is", "perfect"])
†实际上，这是很有争议的，但我在这里强调，我说的是整个自然语言（包括 semantics/pragmatics/etc.），而不是只是关于自然语言 语法 ，其中（至少在英语的情况下）is considered by some to be context-free.
‡当以数据驱动的方式分析语言时，实际上任何个POS标签的组合是"possible"，但是，给定 "correct" 几乎没有噪音的当代英语样本，母语人士判断为 "wrong" 的标签分配出现的概率应该极低。
§在实践中，这意味着模型在（当代）英语（或您想要分析的其他一些目标领域）的大型、多样化语料库上训练，并具有适当的调整参数（如果我想更精确的话，这个脚注很容易有多个段落那么长）。
将经过训练的模型视为 "wise brain with existing information"。
当您开始机器学习时，您的模型的大脑是干净而空洞的。您可以下载经过训练的模型，也可以训练自己的模型（比如教授 child）
通常您只训练边缘情况的模型，否则您下载 "Trained models" 并开始 predicting/machine 学习。