0 引入：以词性标注为例

比如我们要对如下句子进行标注：
- “小明一把把把把住了”
那么我么可能有很多种词性标注的方法，中间四个“把”，可以是“名词+名词+动词+名词”，可以是“名词+动词+动词+名词”等多种形式。

那么，哪种标注序列最有可能是正确的呢？

我们如果可以给每一个标注序列进行打分，打分越高的表示这个标注序列越靠谱，那么就会容易的多。打分最高的就是最可能的标注序列。

对于标注序列问题，我们可以设计一组特征函数
- （比如动词后面接动词，那么给他一个很负的分数；动词后面接名词，可以给0.8左右的分数之类）
- 用这个特征函数集合来为一个标注序列打分，并据此选出最靠谱的标注序列
- 也就是说，每一个特征函数都可以用来为一个标注序列评分
  - 把集合中所有特征函数对同一个标注序列的评分综合起来，就是这个标注序列最终的评分值

1 特征函数

线性链CRF 中的特征函数接受四个参数：
- 句子s（在前面的样例中是需要标注词性的句子）
- i（句子s中第i个单词）
- $l_i$ （要评分的标注序列给第i个单词标注的词性）
- $l_{i-1}$ （要评分的标注序列给第i-1个单词标注的词性）

定义好一组特征函数后，我们要给每个特征函数赋予一个权重
- 对于一个句子s，和一种可能的标注序列l
- 我们利用特征函数集对其评分
对这个分数进行指数化和标准化，我们就可以得到选择标注序列l的概率值p(l|s)
- 类似于softmax

2 和HMM的对比

机器学习笔记&Python笔记：HMM（隐马尔科夫模型）_UQI-LIUWJ的博客-CSDN博客

HMM可以看成一种特殊的线性链CRF

我们考虑一个HMM
- 状态集合（隐藏状态）： $S = {s_1, s_2, \ldots, s_N}$
- 观测集合（可见观测）： $O = {o_1, o_2, \ldots, o_M}$
- 初始化概率： $P(s_i)$ ，初始状态为 $s_i$ 的概率
- 状态转移概率： $P(s_j | s_i)$
- 观测转移概率： $P(o_k | s_i)$
定义HMM观测序列的联合概率为：
线性链CRF的概率
- - Z(O)是归一化常数（softmax的分母）
  - $\lambda_{ij},\mu_i$ 是模型的权重参数
  - 是特征函数
    - 第一个式子相当于i*j个特征函数组成的集合
      - 每一个特征函数评价前一个隐藏状态是j，后一个隐藏状态是i的情况
    - 第二个式子相当于i个特征函数组成的集合
      - 当前时刻隐藏状态是i，观测状态是Ot的情况
现在令
- - 那么
    - 进而等于 $\log P(s_t=i | s_{t-1}=j)$ 【只有 $s_t=i,s_{t-1}=j$ 时指示函数才为1，其余情况指示函数为0】
    - $\sum_{i,j}\log P(s_t=i | s_{t-1}=j) =\log P(s_t|s_{t-1})$
- - 那么
    - 进而等价于 $\log P(o_{\mathbf{O}_t} | s_t=i)$ 【只有 $s_t=i$ ，且观测值为 $O_{o_t}$ 时指示函数才为1，其余情况指示函数为0】
    - $\sum_i \log P(o_{\mathbf{O}_t} | s_t=i)=\log P(o_{\mathbf{O}_t} | s_t)$
- 所以
  - $\frac{1}{Z(O)} \prod _{t=1}^T P(s_t|s_{t-1})\prod _{t=1}^T P(o_{\mathbf{O}_t} | s_t)$
  - 这样也就把线性链CRF桥接到HMM中了
- 所以HMM可以看成一种特殊情况的线性链CRF
  - CRF要比HMM更加强大
    - CRF可以定义数量更多，种类更丰富的特征函数
    - CRF可以使用任意的权重
      - 将对数HMM模型看做CRF时，特征函数的权重由于是log形式的概率，所以都是小于等于0的
      - 在CRF中，每个特征函数的权重可以是任意值