R08 · 没有出现过，不等于不可能发生
R07的未见候选得到零概率。这条延伸先保留计数基线，检查能否通过平滑给未见事件留出概率，以及要付出什么代价。
状态 b0
you的零概率进入整句乘积后，会使含该项的测试序列概率为零。
状态 b1
所有候选同时加一后，分母从4变7。比较her让出的概率与you得到的概率，再核对三项仍和为一。
公式与算例详情
若当前前缀下还有一个未见候选you，最大似然给它0。一旦测试句包含此项，负对数损失为无穷大。对大小为3的教学词表做加一平滑，$p(w\mid h)=(C(h,w)+1)/(C(h)+3)$，于是概率变为$4/7,2/7,1/7$，总和仍为1。
平滑重新分配概率质量，会降低已见候选的概率；它没有凭空识别相似语义，也没有延长窗口。现实n-gram常用回退或插值等更好的平滑方法，add-one只用来把问题与取舍看清。第一章的分布表示让相似上下文之间还能通过参数共享信息。
原课页采用记录：M08 n-gram与固定窗口网络。页码均按PDF物理页计。
继续学习
本页自学核对：固定数据，只改平滑或回退策略；整理成未见前缀的两种预测及取舍。
若想分清平滑改善与训练模型改善，可进入《把预测、训练与评价摊在同一张样本表上》；动手时打开LAB01的“B · 同一预测目标，三个模型；训练一次，生成多次”：核对计数模型和神经模型的同口径测试NLL，确认未见项处理与输出词表相符。 实施范围见实验路线B。