作者:孙相国
上一节我们讲述了概率无向图模型(又叫做马尔科夫随机场)本,节主要介绍条件随机场的定义、和概率计算问题。阅读本文的前提条件是博文《概率图模型5:无向图入门》
1. 条件随机场的定义
在上一节中,我们提到过马尔科夫随机场的定义,其中最重要的就是要满足局部马尔科夫性:在给定随机变量
v
的直接邻居
条件随机场的含义是,如果我们马尔科夫随机场中的这些节点看成是样本的标签,统称为
定义1:条件随机场
在标注问题中,我们常考虑的X,Y图结构是链状的,如图:
对于某一个标记结点 Yi ,它的直接邻居为 Yi−1,Yi+1 .这样,我们按照定义1,就可以得到条件随机场的一种特例:线性链条件随机场
定义2:线性链条件随机场
2.条件随机场的表示
上面的式子中 t,s 所表达的含义是什么呢?其实就是全排列中相邻连个变量的取值情况(t)和当前变量的取值情况(s)的一些假设。如果是这种情况,这些就取值为1,否则就取值为0。相当于选择函数。重要的不是 t,s ,而是他们对应的系数。
3. 概率计算问题
在之前的博客中,我们曾经详细探讨过隐马尔科夫的前向后向算法,并且给出了python代码实现。在条件随机场里,概率计算问题的原理与之前是一样的。这里贴出几张图。代码可以参考之前的博文。