srilm的全稱是stanford research institute language modeling toolkit 。他被用來構建和應用統計語言模型，主要用於語音識別，統計標註和切分，以及機器翻譯等工作。
一、windows下編譯
ubuntu編譯，可以再52nlp中去找。
vc編譯，可以再下面鏈結找，
instructions
簡單說，
2， 解壓工具包，
4，把工具包的東西都放到srilm.sln所在資料夾下，
5，把lib的那個project編譯一下,
6，把其他project都編譯一下。
vc中編譯srilm就大功告成了。
ps:直接按照上面的步驟來做並不能成功編譯，原因是有幾個工程缺少標頭檔案，到相關目錄下找到標頭檔案加上即可。
更多資料：
二、實用簡介
srilm的主要目標是支援語言模型的估計和評測。估計是從訓練資料（訓練集）中得到乙個模型，包括最大似然估計及相應的平滑演算法；而評測則是從測試 集中計算其困惑度（mit自然語言處理概率語言模型有相關介紹）。其最基礎和最核心的模組是n-gram模組，這也是最早實現的模組，包括兩個工 具：ngram-count和ngram，相應的被用來估計語言模型和計算語言模型的困惑度。
乙個標準的語言模型（三元語言模型(trigram),使用 good-truing打折法和katz回退進行平衡）可以用如下的命令構建：
ngram-count -text traindata -lm lm
其中lm是輸出的語言模型檔案，可以用如下的命令進行評測：
ngram -lm lm -ppl testdata -debug 2
其中具體的引數可參看官方**的幫助文件，如果你已經在linux下編譯好了，可以直接使用man呼叫幫助文件。
事實上,統計機器翻譯框架主要用的就是 n-gram這個模組來訓練語言模型。
1、從語料庫中生成n-gram計數檔案：
ngram-count -text europarl-v3b.en -order 3 -write europarl.en.count
其中引數
-text指向輸入檔案，此處為europarl-v3b.en；
-order指向生成幾元的n-gram,即n,此處為3元；
-write指向輸出檔案，此處為europarl.en.count,
輸出內容為:
…sweeteners 66
sweeteners should 1
sweeteners should be 1
…分為兩列，第一列為n元詞，第二列為相應的頻率。如一元詞sweeteners在語料庫中的頻率統計為66次；二元詞sweeteners shoul在語料庫中的頻率統計為1次；三元sweeteners should be在語料庫中的頻率統計為1次。
ngram-count -read europarl.en.count -order 3 -lm europarl.en.lm -interpolate -kndiscount
其中引數
-read指向輸入檔案，此處為 europarl.en.count；
-order與上同；-lm指向訓練好的語言模型輸出檔案，此處為europarl.en.lm；
最後兩個引數為所 採用的平滑方法，-interpolate為插值平滑，-kndiscount為 modified kneser-ney 打折法，這兩個是聯合使用的。
需要補充的是，一般我們訓練語言模型時，這兩步是合二為一的，這裡主要是為了介紹清楚n-gram語言模型訓練的步驟細節。
語言模型europarl.en.lm的檔案格式如下,為 arpa檔案格式。為了說明方便，檔案中的括號是我加上的注釋：
data
ngram 1=262627 (注：一元詞有262627個 ）
ngram 2=3708250 （注：二元詞有 3708250個）
ngram 3=2707112 （注：三元詞有 2707112個）
1-grams:(注：以下為一元詞的基本情況）
-4.891179（注：log(概率），以10為底） ! -1.361815
-6.482389 !) -0.1282758
-6.482389 !』 -0.1282758
-5.254417 「（注：一元詞） -0.1470514
-6.482389 「『 -0.1282758（注：log(回退權重),以10為底)
…2-grams:
-0.02140159 !
-2.266701 ! –
-0.5719482 !)
-0.5719482 !』
-2.023553 」 『biomass』
-2.023553 」 『vertical』
…3-grams:
-0.01154674 the !
-0.01154674 urgent !
-0.01154674 us』 !
-1.075004 the 「.eu」 top
-0.827616 the 「.eu」 domain
-0.9724987 the 「.eu」 top-level …
ngram -ppl devtest2006.en -order 3 -lm europarl.en.lm > europarl.en.lm.ppl
其中測試集採用wmt08用於機器翻譯的測試集devtest2006.en，2000句；
引數-ppl為對測試集句子進行評分(logp(t)，其 中p(t)為所有句子的概率乘積）和計算測試集困惑度的引數；
europarl.en.lm.ppl為輸出結果檔案；
其他引數同上。
輸出檔案結果如下：
file devtest2006.en: 2000 sentences, 52388 words, 249 oovs
0 zeroprobs, logprob= -105980 ppl= 90.6875 ppl1= 107.805
第一行檔案devtest2006.en的基本資訊：2000句，52888個單詞，249個未登入詞；
第二行為評分的基本情況：無0概率；logp(t)=-105980，ppl==90.6875, ppl1= 107.805，均為困惑度。其公式稍有不同，如下：
其中sen和word分別代表句子和單詞數。
SRILM 語言模型訓練工具
2，安裝 make srilm pwd3，配置 將bin和bin i686 m64新增到path環境變數中 4，測試 ngram count help 5，海量語料訓練 由於對於大規模語料進行語言模型的訓練，經常會導致記憶體問題。經過測試，用srilm處理乙個3g的語料，訓練3元語言模型，32g記憶...
用srilm生成語言模型
srilm的主要目標是支援語言模型的估計和評測。估計是從訓練資料 訓練集 中得到乙個模型，包括最大似然估計及相應的平滑演算法 而評測則是從測試集中計算其困惑度。其最基礎和最核心的模組是n gram模組，這也是最早實現的模組，包括兩個工 具 ngram count和ngram，相應的被用來估計語言模型...
語言模型訓練
模型訓練 nohup ngram count text tieba.word.merged order 4 vocab words.txt kndiscount interpolate lm tieba.word.4gram.lm 結果測試 ngram lm tieba.word.4gram.lm ...