自然语言处理从小白到大白系列（4）多角度理解条件随机场

  众所周知，条件随机场在NLP中做NER和词性标注等任务是一把好手，但是条件随机场一直是很多同学心中谜一样的存在：贝叶斯网络，隐马模型，马尔科夫网络，最大熵隐马尔可夫模型，这些概率图就是都是写什么样的关系？之前写了一篇 隐马模型的文章和一篇 主题模型的文章，感兴趣的同学可以看看。是的，你会被标题吸引住的。废话不多说啦，开始。
  本文则着重是从逻辑回归讲清楚条件随机场这个东西。因此开始本文最好是已经比较熟悉LR了，如果不熟悉这里有传送门： 深入理解逻辑回归。

1. 线性链CRF

  一般我们讨论的也是线性链的CRF，如下图：

  这个图的意思是y仍然还是仅和前后有关。这和HMM有点类似，但是我们发现，$y$还和整个大$X$输入有关，而HMM是仅仅和当前的观测值有关。

  现在想想，如果有这样一个图，怎么样才能合适的建模？？？
我们的目标是P(y|x)，也是一个后验概率，最终是想最大化这个后验概率，和LR是一致的。
我们看看CRF模型的形式：

  怎么样，蒙了吧，脑瓜子嗡嗡的吧？这里我们来初步介绍一下，$t_k(),s_l()$是两个特征函数，分别对应于转移特征和状态特征。通俗地说，我们看到图1中的$Y_i$不是和前一个$Y_{i-1}$有关吗？这个特征就用$t_k()$描述，而每个$Y_i$本身的特征，就用 s l