本文介绍了维特比(viterbi)算法与中文词性标注的关系，首先讲解了隐马尔可夫模型（HMM）的基础概念，包括马尔科夫假设、隐马尔可夫链及其五元组，以及HMM的三个核心假设。接着，阐述了HMM的评估、解码和学习问题，并提到了Viterbi算法在解码问题中的作用，特别是用于找出最可能的状态序列。最后，文章预告了后续将探讨维特比算法在实际中文词性标注中的实现。
隐马尔可夫模型（Hidden Markov Model，HMM）
马尔科夫假设
随机过程中各个状态 S t S_t St的概率分布，只与它的前一个状态 S t − 1 S_{t-1} St−1有关，即
P ( S t ∣ S 1 , S 2 , S 3 , … , S t − 1 ) = P ( S t ∣ S t − 1 ) P(S_t|S_1,S_2,S_3,…,S_{t-1}) = P(S_t|S_{t-1}) P(St∣S1,S2,S3,…,St−1)=P(St∣St−1)
对于一些实际情况中的概率关系（比如天气预报）显然是不够合理的，但至少给出了一个相对准确的近似解
符合马尔科夫假设的随机过程称为马尔科夫过程，或马尔科夫链
上图中圆圈表示状态，圆圈间的箭头表示状态的转化，箭头的权值 P ( x i + 1 , t ∣ x i , j ) P(x_{i+1,t}|x_{i,j}) P(xi+1,t∣xi,j)代表由状态 x i , j x_{i,j} xi,j向状态 x i + 1 , t {x_{i+1,t}} xi+1,t转移的概率，此处 x i , j x_{i,j} xi,j均取自同一个状态集合，之间互相转化。
隐马尔科夫链
在马尔科夫链的基础上引入隐马尔科夫链，任一时刻t的状态 S t S_t
最低0.47元/天 解锁文章
扫一扫
7836
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
