统计学习方法 李航 条件随机场 笔记

统计学习方法-李航-条件随机场

条件随机场常被应用于序列标注问题中。例如当输入为一个序列X=(x₁,x₂,x₃,…,xₙ)时，输出则对应为Y=(y₁,y₂,y₃,…,yₙ)。因此，在自然语言处理领域中，条件随机场常用于分词、词性标注及实体识别等多种任务。

条件随机场模型（Conditional random
field model, CRF）基于输入随机变量集的条件下定义的概率模型，在其核心特征下输出随机变量遵循马尔科夫特性。该方法广泛应用于序列数据处理任务中，并在如命名实体识别、分词等任务中展现出显著的效果。

问题定义

X：X = (x1, x2, x3, …, xn) 表示输入的序列，也称为观测值，例如句子中所有单词。

Y：Y = (y1, y2, y3, …, yn) 表示输出的序列，也称为状态值，例如句子中每一个单词的词性。

**随机场：**作为一种图形模型，在机器学习领域具有重要地位。它由节点集和边集构成，在其中每个节点代表一个具体的随机变量，并且这些变量之间通过相互依赖关系形成联系。一旦从某个概率分布中为图中的每个节点随机分配一个具体取值，则这一过程被定义为随机场。

**马尔科夫随机场：**具体而言，在时间单位 t 时的结果值仅受前一时间单位（t-1）结果值的影响，并与更早的时间单位无关。而马尔