The stack decoding algorithm was in

The stack decoding algorithm was initially developed by Jelinek (1969) for the purpose of decoding information transmissions across noisy channels. However, it is a method for exploring any tree-structured search space, such as commonly occurs in Statistical NLP algorithms. For ex- ample, a derivational parsing model gives a tree-structured search space, since we start with various choices for the first step of the derivation, and each of those will lead to a (normally different) range of choices for the second step of the derivation. It is an example of what in AI is known as a uniform-cost search algorithm: one where one always expands the least-cost leaf node first.
The stack decoding algorithm can be described via a priority queue object, an ordered list of items with operations of pushing an item and popping the highest-ranked item. Priority queues can be efficiently imple- mented using a heap data structure.l4 One starts with a priority queue that contains one item - the initial state of the parser. Then one goes into a loop where at each step one takes the highest probability item off the top of the priority queue, and extends it by advancing it from an n step derivation to an n + 1 step derivation (in general there will be multi- ple ways of doing this). These longer derivations are placed back on the priority queue ordered by probability. This process repeats until there is a complete derivation on top of the priority queue. If one assumes an infinite priority queue, then this algorithm is guaranteed to find the high- est probability parse, because a higher probability partial derivation will always be extended before a lower probability one

Kết quả (Việt) 1:

Ngăn xếp giải mã các thuật toán ban đầu được phát triển bởi Jelinek (1969) với mục đích giải mã bộ truyền thông tin qua kênh ồn ào. Tuy nhiên, nó là một phương pháp để khám phá bất kỳ không gian tìm kiếm cấu trúc cây, chẳng hạn như thường xảy ra trong các thuật toán thống kê NLP. Cho ex-dư dật, một mô hình phân tích cú pháp derivational cho một cấu trúc cây tìm không gian, kể từ khi chúng tôi bắt đầu với các lựa chọn khác nhau cho bước đầu tiên của các derivation, và mỗi người trong số những người sẽ dẫn đến một loạt các lựa chọn cho bước thứ hai của các derivation (bình thường khác nhau). Nó là một ví dụ của những AI được biết đến như một thuật toán tìm kiếm chi phí đồng phục: một trong những nơi mà một luôn luôn mở rộng nút chi phí ít nhất là lá đầu tiên.Ngăn xếp giải mã các thuật toán có thể được mô tả qua một đối tượng ưu tiên hàng đợi, một danh sách thứ tự của các mặt hàng với các hoạt động thúc đẩy một mục và popping mục xếp hạng cao nhất. Ưu tiên hàng đợi có thể là hiệu quả imple-mented bằng cách sử dụng một đống dữ liệu structure.l4 một bắt đầu với một ưu tiên hàng đợi có chứa một mục - trạng thái ban đầu của phân tích cú pháp. Sau đó một đi vào một vòng lặp nơi ở mỗi bước một mất mặt xác suất cao nhất ra cùng một hàng ưu tiên, và kéo dài bằng cách thúc đẩy nó từ một derivation n bước để một n + 1 bước derivation (nói chung sẽ có đa-ple cách để làm điều này). Những từ tiếng Anh dài được đặt trở lại vào ưu tiên hàng đợi lệnh của xác suất. Quá trình này lặp đi lặp lại cho đến khi có một derivation hoàn toàn trên đầu trang của một hàng ưu tiên. Nếu một trong những giả định một hàng đợi vô ưu tiên, sau đó thuật toán này được đảm bảo để tìm phân tích xác suất cao-est, vì derivation phần xác suất cao sẽ luôn luôn được mở rộng trước khi một xác suất thấp hơn một

Kết quả (Việt) 2:

Các thuật toán giải mã ngăn xếp ban đầu được phát triển bởi Jelinek (1969) với mục đích giải mã truyền thông tin qua các kênh ồn ào. Tuy nhiên, nó là một phương pháp để khám phá bất kỳ không gian tìm kiếm cấu trúc cây, như thường xảy ra trong các thuật toán thống kê NLP. Ví dụ, một mô hình phân tích derivational cho một không gian tìm kiếm cấu trúc cây, kể từ khi chúng tôi bắt đầu với những lựa chọn khác nhau cho các bước đầu tiên của nguồn gốc, và mỗi người sẽ dẫn đến một (thường là khác nhau) nhiều lựa chọn cho bước thứ hai các dẫn xuất. Đó là một ví dụ về những gì trong AI được biết đến như một thuật toán tìm kiếm thống nhất chi phí: một nơi mà một người luôn mở rộng các nút lá chi phí thấp nhất đầu tiên.
Các stack giải mã thuật toán có thể được mô tả thông qua một đối tượng hàng đợi ưu tiên, một danh sách có thứ tự các mục có hoạt động đẩy một mục và popping các mục thứ hạng cao nhất. Hàng đợi ưu tiên có thể được thực hiện có hiệu quả bằng cách sử dụng dữ liệu structure.l4 đống Một bắt đầu với một hàng đợi ưu tiên có chứa một mục - trạng thái ban đầu của bộ phân tích. Sau đó người ta đi vào một vòng lặp mà ở mỗi bước một mất mục xác suất cao nhất ra khỏi đỉnh của hàng đợi ưu tiên, và mở rộng nó bằng cách đẩy nó từ một nguồn gốc bước n đến một n + 1 bước dẫn xuất (nói chung sẽ có đa cách ple làm điều này). Những Mục từ lâu được đặt trở lại trên hàng đợi ưu tiên lệnh của xác suất. Quá trình này lặp đi lặp lại cho đến khi có một nguồn gốc hoàn toàn trên đầu của hàng đợi ưu tiên. Nếu giả một ưu tiên hàng đợi vô hạn, thì thuật toán này được đảm bảo để tìm các cao est xác suất phân tích cú pháp, bởi vì một xác suất cao hơn nguồn gốc một phần sẽ luôn luôn được mở rộng trước khi một xác suất thấp hơn