这篇论文包含了噪声通道中拼写错误的混淆矩阵。它描述了如何根据条件属性来纠正这些错误。

条件概率计算在第2页的左栏。在第2页左栏的脚注4中，作者说：“字符矩阵可以很容易地复制，因此在附录中被省略了。”我无法理解它们是如何复制的！

如何复制它们？我需要原始语料库吗？还是说，作者的意思是它们可以从论文本身的材料中重新计算？

回答：

查看论文，你只需要使用一个语料库来计算它们，可以是同一个，也可以是与你的应用相关的另一个语料库。

在复制矩阵时，请注意它们隐式地定义了两种不同的chars矩阵：一个向量和一个n乘n的矩阵。对于每个字符x，向量chars包含字符x在语料库中出现的次数。对于每个字符序列xy，矩阵chars包含该序列在语料库中出现的次数。

chars[x]表示在向量中查找x；chars[x,y]表示在矩阵中查找序列xy。请注意，chars[x]等于chars[x,y]对每个y值的总和。

请注意，他们的计数都是基于1988年的AP新闻线语料库（可从LDC获得）。如果你无法使用他们的确切语料库，我认为使用同一类型（即另一个新闻线语料库）的其他文本并调整你的计数以适应原始数据并不是不合理的。也就是说，如果文本足够相似，给定字符的频率在不同文本之间不会有太大变化，所以如果你有一个包含2200万词的新闻线语料库，你可以计算该文本中的字符，然后将它们翻倍以近似他们的原始计数。