一次性弄懂马尔可夫模型、隐马尔可夫模型、马尔可夫网络和条件随机场！

1. 马尔可夫网络、马尔可夫模型、马尔可夫过程、贝叶斯网络的区别

相信大家都看过上一节我讲得贝叶斯网络，都明白了概率图模型是怎样构造的，如果现在还没明白，请看我上一节的总结： 贝叶斯网络

这一节我们重点来讲一下马尔可夫，正如题目所示，看了会一脸蒙蔽，好在我们会一点一点的来解释上面的概念，请大家按照顺序往下看就会完全弄明白了，这里我给一个通俗易懂的定义，后面我们再来一个个详解。

以下共分六点说明这些概念，分成条目只是方便边阅读边思考，这6点是依次递进的，不要跳跃着看。

1. 将随机变量作为结点，若两个随机变量相关或者不独立，则将二者连接一条边；若给定若干随机变量，则形成一个有向图，即构成一个 网络 。
2. 如果该网络是有向无环图，则这个网络称为 贝叶斯网络。
3. 如果这个图退化成线性链的方式，则得到 马尔可夫模型 ；因为每个结点都是随机变量，将其看成各个时刻(或空间)的相关变化，以随机过程的视角，则可以看成是 马尔可夫过程 。
4. 若上述网络是无向的，则是无向图模型，又称 马尔可夫随机场或者马尔可夫网络 。
5. 如果在给定某些条件的前提下，研究这个马尔可夫随机场，则得到 条件随机场 。
6. 如果使用条件随机场解决标注问题，并且进一步将条件随机场中的网络拓扑变成线性的，则得到 线性链条件随机场 。

2. 马尔可夫模型

2.1 马尔可夫过程

马尔可夫过程（Markov process）是一类随机过程。它的原始模型马尔可夫链，由俄国数学家A.A.马尔可夫于1907年提出。该过程具有如下特性：在已知目前状态（现在）的条件下，它未来的演变（将来）不依赖于它以往的演变 (过去 )。例如森林中动物头数的变化构成——马尔可夫过程。在现实世界中，有很多过程都是马尔可夫过程，如液体中微粒所作的布朗运动、传染病受感染的人数、车站的候车人数等，都可视为马尔可夫过程。

每个状态的转移只依赖于之前的n个状态，这个过程被称为1个n阶的模型，其中n是影响转移状态的数目。最简单的马尔可夫过程就是一阶过程， 每一个状态的转移只依赖于其之前的那一个状态 ，这个也叫作 马尔可夫性质 。用数学表达式表示就是下面的样子：

假设这个模型的每个状态都只依赖于之前的状态，这个假设被称为 马尔科夫假设 ，这个假设可以大大的简化这个问题。显然，这个假设可能是一个非常糟糕的假设，导致很多重要的信息都丢失了。

=P(X_{n+1}=x|X_n=x_n))

假设天气服从 马尔可夫链 ：

从上面这幅图可以看出：

• 假如今天是晴天，明天变成阴天的概率是0.1
• 假如今天是晴天，明天任然是晴天的概率是0.9，和上一条概率之和为1，这也符合真实生活的情况。

	晴	阴
晴	0.9	0,1
阴	0.5	0.5

由上表我们可以得到马尔可夫链的 状态转移矩阵 ：

因此，一阶马尔可夫过程定义了以下三个部分：

• 状态 ：晴天和阴天
• 初始向量 ：定义系统在时间为0的时候的状态的概率
• 状态转移矩阵 ：每种天气转换的概率

马尔可夫模型（Markov Model）是一种统计模型，广泛应用在语音识别，词性自动标注，音字转换，概率文法等各个自然语言处理等