假设如今有一个简化版的中文翻译英文任务,输入和输出以下,为了方便描述搜索算法,限制输出词典只有{"I", "H", "U"} 这3个候选词,限制1个时间步长翻译1个汉字,1个汉字对应1个英文单词,这里总共3个汉字,因此只有3个时间步长。算法
中文输入:"我" "恨" "你"
英文输出:"I" "H" "U"
目标:获得最优的翻译序列 I-H-U
翻译
最直观的方法就是穷举全部可能的输出序列,3个时间步长,每一个步长3种选择,共计 种排列组合。code
I-I-I I-I-H I-I-U I-H-I I-H-H I-H-U I-U-I I-U-H I-U-U H-I-I H-I-H H-I-U H-H-I H-H-H H-H-U H-U-I H-U-H H-U-U U-I-I U-I-H U-I-U U-H-I U-H-H U-H-U U-U-I U-U-H U-U-U
从全部的排列组合中找到输出条件几率最大的序列。穷举搜索能保证全局最优,但计算复杂度过高,当输出词典稍微大一点根本没法使用。blog
贪心算法在翻译每一个字的时候,直接选择条件几率最大的候选值做为当前最优。以下图因此,class
PS:图中的几率如何得来的?不一样的模型有不一样的算法,我本身随便填的。效率
greedy search搜索
贪心算法每一步选择中都采起在当前状态下最好或最优的选择,经过这种局部最优策略指望产生全局最优解。可是指望是好的,能不能实现是另一回事了。贪心算法本质上没有从总体最优上加以考虑,并不能保证最终的结果必定是全局最优的。可是相对穷举搜索,搜索效率大大提高。方法
beam search是对greedy search的一个改进算法。相对greedy search扩大了搜索空间,但远远不及穷举搜索指数级的搜索空间,是两者的一个折中方案。im
beam search有一个超参数beam size(束宽),设为 。第一个时间步长,选取当前条件几率最大的 个词,当作候选输出序列的第一个词。以后的每一个时间步长,基于上个步长的输出序列,挑选出全部组合中条件几率最大的 个,做为该时间步长下的候选输出序列。始终保持 个候选。最后从 个候选中挑出最优的。top
仍是以上面的任务为例,假设 ,咱们走一遍这个搜索流程。
beam search 第一个时间步长
beam search 第二个时间步长
beam search 第三个时间步长