Baum-Welch再估计是否对标记器有帮助？

在隐马尔可夫模型（HMM）中进行词性标记时，使用统计模型为文本中的单词分配语法类别。早期工作依赖于由人工标注者标记的语料库来训练模型。更近期，Cutting等人（1992）建议可通过使用Baum-Welch再估计，仅以最小词典和有限的先验概率信息即可实现训练，以自动细化模型。本文报告了两项实验，以确定需要多少手动训练信息。第一项实验表明，初始对词汇概率或转移概率的偏向对于实现良好准确率至关重要。第二项实验揭示了Baum-Welch再估计存在三种不同的模式。在两种模式下，再估计最终会降低标记准确率，而非提高。在可预测的模式中，取决于初始模型的质量以及标记训练语料库（如果有的话）与待标记语料库之间的相似性。给出了关于如何以有效方式使用再估计的启发式方法。结论与Merialdo（1994）大体一致，但对模型各部分的贡献给出了更为详尽的细节。