标签：alt   dog   取值   有向图   最大   无法   过程   表达   学习   

Motivation

学习CRF的过程中，我发现很多资料，教程上来就给一堆公式，并不知道这些公式是怎么用的。 所以我想以面向问题的形式，分享一下自己对CRF用于序列标注问题的理解

问题定义

应该注意以下几点：

• 输入\(x\)是观测序列，是先验条件
• 输出\(Y\)是标注序列，也称为状态序列

我们举个例子：（《统计学习方法》 例11.1）

设有一标注问题：输入观测序列为\(X=(X_1,X_2,X_3)\)，输出标记序列为\(Y=(Y_1,Y_2,Y_3)\)，\(Y_1,Y_2,Y_3\)取值于\(\gamma=\{1,2\}\)

我们可以得到以下模型图：

当模型输入句子 ”Dog caught the cat“ 时，我们希望模型能够输出标注序列：“n v a n”的概率最大

那么如何根据这个状态图计算出序列”n v a n“的出现的概率呢？

这里就引出了概率无向图模型：（注：个人认为条件随机场模型是一个概率无向图模型，而线性链条件随机场是一个有向图模型）

条件随机场

这里我们对于上图中的图模型，我们定义两种特征： 状态特征和转移特征

• 状态特征： 定义在结点上，表示这个结点是否拥有某个属性
• 转移特征： 定义在边上，表示两个状态是否会因为某个特征而转移

对于上面的问题中，我们可以直觉性地定义一些特征，例如：状态特征可以是\(\{脊椎动物，哺乳动物，爬行动物，地点, 时间，动作\}\)，转移特征可以理解有\(\{动物后面接动词jump，人后面接动词love，名词后面接代词，动词后面接代词，形容词后面接名词\}\)，这些就是我们对于一些直观特征，当然还有很多隐藏特征我们无法用语言来解释，也没有必要解释。

因此我们用数学语言来表达这些特征：
假设我们定义了\(K_1\) 个转移特征 $ {t_1,t_2,...,t_{K_1}} $ ，定义了\(K_2\)个状态特征 \(\{s_1,s_2,...,s_{K_2}\}\) ，当一个结点拥有状态特征\(s_j\)时，\(s_j=1\)，否则，\(s_j=0\)
例如：dog 拥有状态特征：{脊椎动物，哺乳动物}
\[ s_j=s_j(y_i,x,i) \in \{0,1\} \]

Reference

《统计学习方法》 李航

条件随机场（CRF）的理解

标签：alt   dog   取值   有向图   最大   无法   过程   表达   学习   

原文地址：https://www.cnblogs.com/JohnRain/p/9250502.html