关于您的第二个问题：发生这种情况是因为在布朗语料库类别news中没有出现"b" ，您可以使用以下方法进行验证：

>>> 'b' in brown.words(categories='news')
False

而

>>> 'word' in brown.words(categories='news')
True

我承认该错误消息非常含糊，因此您可能要向NLTK作者提交错误报告。

我知道这个问题很旧，但是每次我在Google nltk的NgramModel类上弹出该问题。 NgramModel的概率实现有点不直观。询问者感到困惑。据我所知，答案不是很好。由于我不经常使用NgramModel，这意味着我感到困惑。不再。

源代码位于此处： https : //github.com/nltk/nltk/blob/master/nltk/model/ngram.py 。这是NgramModel的prob方法的定义：

def prob(self, word, context):
    """
    Evaluate the probability of this word in this context using Katz Backoff.

    :param word: the word to get the probability of
    :type word: str
    :param context: the context the word is in
    :type context: list(str)
    """

    context = tuple(context)
    if (context + (word,) in self._ngrams) or (self._n == 1):
        return self[context].prob(word)
    else:
        return self._alpha(context) * self._backoff.prob(word, context[1:])

（ 注意 ：'self [context] .prob（word）等同于'self._model [context] .prob（word）'）

好的。现在至少我们知道要寻找什么。背景需要是什么？让我们看一下构造函数的摘录：

for sent in train:
    for ngram in ingrams(chain(self._lpad, sent, self._rpad), n):
        self._ngrams.add(ngram)
        context = tuple(ngram[:-1])
        token = ngram[-1]
        cfd[context].inc(token)

if not estimator_args and not estimator_kwargs:
    self._model = ConditionalProbDist(cfd, estimator, len(cfd))
else:
    self._model = ConditionalProbDist(cfd, estimator, *estimator_args, **estimator_kwargs)

好的。构造函数从其“上下文”是字母组合的元组的条件频率分布中创建条件概率分布（self._model）。这告诉我们，“语境” 不应该是一个字符串或一个多词串名单。 “上下文” 必须是包含字母组合的可迭代对象。实际上，该要求更为严格。这些元组或列表的大小必须为n-1。这样想吧。您告诉它是一个Trigram模型。您最好为其提供适当的三字母组合上下文。

让我们通过一个更简单的示例来了解这一点：

>>> import nltk
>>> obs = 'the rain in spain falls mainly in the plains'.split()
>>> lm = nltk.NgramModel(2, obs, estimator=nltk.MLEProbDist)
>>> lm.prob('rain', 'the') #wrong
0.0
>>> lm.prob('rain', ['the']) #right
0.5
>>> lm.prob('spain', 'rain in') #wrong
0.0
>>> lm.prob('spain', ['rain in']) #wrong
'''long exception'''
>>> lm.prob('spain', ['rain', 'in']) #right
1.0

（作为一个附带说明，实际上尝试使用MLE作为NgramModel中的估计量来做任何事情都是一个坏主意。事情将会崩溃。我保证。）

至于最初的问题，我想我对OP想要的最好的猜测是：

print lm.prob("word", "generates a".split())
print lm.prob("b", "generates a".split())

...但是这里发生了太多误解，我无法说出他实际上在试图做什么。

快速解决：

print lm.prob("word", ["This is a context which generates a word"])
# => 0.00493261081006

我暂时不会使用NLTK的NgramModel。当前存在一个平滑错误，当n> 1时，该错误会导致模型大大高估可能性。如果您确实使用了NgramModel，则绝对应该在此处应用git问题跟踪器中提到的修复程序： https : //github.com/nltk/nltk/issues/367