条件随机场（CRF）是一种用于序列预测的概率图模型，它考虑了序列中元素之间的相互依赖关系。与简单的多分类问题不同，CRF能够捕捉序列中标签的连贯性，如在命名实体识别中，一个词的标签往往依赖于它前面词的标签。
线性链CRF是CRF的一种特殊形式，适用于处理线性序列数据。在这个模型中，序列的每个元素（Token）不仅与自己的特征相关联，还与其相邻元素的标签相关。例如，在标注"清华大学"这个短语时，正确的标签序列需要满足特定的依赖关系，如"B-I-I-I"，其中"I"标签前必须是"B"或"I"。
CRF通过定义一个全局的能量函数来计算序列标注的概率，该函数综合了单个Token的分类概率和相邻Token之间转移的概率。这种概率计算方法确保了序列标注的一致性和准确性，使得CRF成为解决序列预测问题的强大工具。
