當 遇 到 恰 好 沒 有 在 訓 練 語 料 中 相 鄰 出 現 的 詞 對wi-1與wi時 ， 將 使 得 P(wi|wi-1)=0，這會造成整句話機率為零的錯誤。若我們採取先估計單連字串機率，
再往上推測未知雙連字串的機率值時，雖然可以推測出未雙連字串的機率值，但 對於未出現於訓練語料中的詞而言，我們根本無法由訓練語料中得到該詞的相關 資訊，也無法給它一個適當的機率估計方法。因此，在本論文中，我們的做法是 在估計雙連詞串時，再對於未出現於訓練語料的詞給予其適當的機率估計方法，
是分別針對凱氏平滑法及聶氏平滑法加以強化的方法，稱為『強化凱氏平滑法』
及『強化聶氏平滑法』，並於第四章的實驗中，與原有的方法比較，以證明此兩種 方法確實可提高模型的效能。
3.2.1 強化凱氏平滑法
『凱氏平滑法』的主要做法是將以wi-1為詞首的雙連詞對中，在訓練語料裡出 現次數小於k者(通常k=5)乘上一個折扣值dr；至於在訓練語料中出現的次數大於k 者，因其次數夠大，具有夠強的代表性，故不予以折扣。而在分配被折扣的機率 量時，需先找出所有未與wi-1相鄰出現在訓練語料中的wi’，並計算這些wi’ 出現在 訓練語料中的次數總和，再根據wi於此總和值中所佔的次數比例，來決定可以由被 折扣的機率量中得到多少比例。但若詞wi在訓練語料中出現的次數為零，則其由被 折扣的機率量中，分配到的機率也會是零，將會造成錯誤，這是『凱氏平滑法』
的一項缺點。
基於上述理由，我們參考原有的『凱氏平滑法』，提出『強化凱氏平滑法』，
其應用於雙連馬可夫模型的公式如下(參照附錄)：
( )
在我們的方法中，主要的做法有以下五點：
1. 當雙連詞串(wi-1,wi)在訓練語料中有出現時，還是依原有的最大概似法計算 其機率
2. 當雙連詞串(wi-1,wi)沒有在訓練語料出現過時，先判斷詞尾wi在訓練語料中 是否有出現
3. 若有出現，且次數大於 k 次，則依照原凱氏平滑法做分配
4. 若有出現，且次數小於等於 k 次，則除了依原凱氏平滑法做分配外，還必 需乘上一個d′r值
5. 若詞尾wi在訓練語料中根本沒有出現，則可將於第 4 點中被折扣下來的機 率量β
(
wi−1)
，平均分配給所有未出現於訓練語料中的詞如此，也考慮了雙連詞串(wi-1,wi)的詞尾wi於訓練語料中沒有出現的狀況，將 使得辨識的估計值更為準確。
3.2.2 強化聶氏平滑法
『聶氏後退法』在分配機率時，先找出所有未與wi-1相鄰出現於訓練語料的 wi’，再計算所有wi’於訓練語料中前接詞數總和，以詞尾 的前接詞數於此前接詞 數總和中所佔的比例來分配被折扣下來的機率。如果將這項原則應用到『聶氏內 插法』時，可以使得具較多前接詞數
wi
(
wi)
N1+ •, 的詞尾 ，分配到較大的機率值，
而非平均分配給每個詞尾 ，如此便可做更正確的預測，因此，我們將原有的『聶 氏後退法』及『聶氏內插法』公式合併。但，這也會遇到與『凱氏平滑法』相同 的問題，就是如果詞尾 並沒有出現在訓練語料中時，一樣會造成機率分配為零 的錯誤，所以我們再針對這個缺點加以修正，稱為『強化聶氏平滑法』，公式如下 (參照附錄)：
wi
wi
wi
( ) { ( ) }
種情況
4. 當詞尾的wi於訓練語料有出現時，將第 1 點所述的被折扣的機率值
(
wi−1)
α ，依照wi的前接詞數於所有可能詞尾的前接詞數總和中所佔的比例
( )
iKN w
P′ 加以分配機率，此處的wi的前接詞數於計算時還會減去一個折扣 值，得到被折扣下來的少量機率量為β。P′KN
( )
wi 比例取決於wi的前接詞 數，當詞尾wi的前接詞數越多，表示可接在wi之前的詞種類很多，由α( )
wi−1 分配到的機率就越大；反之，當wi的前接詞數越少，由α(
wi−1)
分配到的機 率就越小5. 將第 4 點中，被折扣的少量機率量β平均分配給所有可能接在wi-1之後的 詞，即辭典中的每一個詞。