目录

• 基本原理
• 过程
• PS

基本原理

• X是输入文本（观测序列）
• y是输出标签（状态序列）
  特点：
• 每个状态都可以由整个观测序列决定，与 x 1 , x 2 , . . . . . x n {x_1,x_2,.....x_n} x1​,x2​,.....xn​都相关，实际上一般是上下文10个token就可以了。
• 对每一个状态y仅与相邻状态 y i − 1 , y i + 1 y_{i-1},y_{i+1} yi−1​,yi+1​相关
  # 公式
• 通过公式对条件概率进行建模，对于已知概率的观测序列X，求其发生的情况下，各个序列y的发生概率。
• t j t_j tj​是转移特征函数，主要衡量相邻状态 y之间的影响，同时可以与x相关联
• s k s_k sk​是状态特征函数，主要衡量观测序列 x对状态变量的影响
• λ \lambda λ和 μ \mu μ是对应特征函数的权重
• exp用于定义模型中的概率分布函数
• Z是规范化因子，用于确保式子是一个概率

过程

CRF模型完全由特征函数和权重决定：

• 训练阶段（编码）用优化算法迭代，调个包就行
• 预测阶段（解码） 使用维特比算法（动态规划，类似广度优先搜索），寻找概率最高的标签路径
• • 使用暴力搜索不可能，使用贪心算法未必是全局最优

PS

转移矩阵 (Transition Matrix)：

• 这是CRF模型中的一个矩阵，用于表示从一个状态（或标签）转移到另一个状态的概率。对于序列标注任务来说，状态可以是不同的标签（如B（开头）、I（中间）、O（其他）），转移矩阵告诉模型在给定前一个标签后，下一个标签出现的可能性有多大。

发射矩阵 (Emission Matrix)：

• 发射矩阵用于表示观察到某个状态下特定观察值的概率。在序列标注中，观察值通常是输入的词语或特征，而状态则是对应的标签。发射矩阵告诉模型在给定一个标签时，观察到具体词语的概率。

得分矩阵 (Score Matrix)：

• 得分矩阵是指CRF模型为每个可能的标签序列分配的分数。这些分数基于转移矩阵和发射矩阵的组合计算得出，通常利用动态规划算法（如维特比算法）来确定最佳的标签序列。