CRF的概率预测问题, 结合词性标注场景应用

看过<统计机器学习>中的有关条件随机场CRF的公式推导说明，确实看到有点云里雾里，感觉有点点抽象，有些点光看公司也一时无法想明白原理，因此借鉴了国外的一片有关CRF的介绍性说明，结合词性标注场景应用，通过对线性条件随机场的特征函数推导，一下子明白了许多，同时放上两个中文翻译的博客链接，一定程度上也帮助我理解CRF与词性标注的应用介绍：

 

国外论文： http://blog.echen.me/2012/01/03/introduction-to-conditional-random-fields/

 

国内的两篇翻译博客：

 

quentinXXZ：条件随机场介绍（译）Introduction to Conditional Random Fields

 

如何轻松愉快地理解条件随机场（CRF）？

 

浅显易懂，至少能够帮助初学者入个门 没问题：

 

场景介绍：

 

想象一下，你有 Justin Bieber 一天生活中的一连串快照，你想在这些照片上面打上活动内容的标签（吃睡、睡觉、开车等）。你会怎么做？

 

一种方式是忽略这些快照的本质，建立一个图片分类器。举个例子，事先给定一个月的打标快照，你可能会了学到在早上6点拍的较暗的照片很可能是在睡觉，有很多明亮颜色的照片，很可以是关于跳舞，照片中有车那应该是在开车等等。

 

然而，忽略顺序关联，你会丢失很多信息。例如，如果你看到一张嘴张的特写照片，那它应该打标成吃饭还是唱歌呢？如果上一张 Justin Bieber 的照片中他在吃饭或者做菜，那当前这张照片很可能是他在吃饭；但如果上一张照片中 Justin Bieber 在唱歌或者跳舞，那这张很可能是在说他也在唱歌。

 

因此，为了提高我们打标的准确率，我们应该结合参考相近照片，这正是条件随机场（condition random field）所做的事情

最近了解语音识别中 标点预测的分析任务整理资料如上