NLP之条件随机场

条件随机场（conditional random fields, CRFs）由J. Lafferty等人（2001）提出，近几年来在自然语言处理和图像处理等领域中得到了广泛的应用。

CRF是用来标注和划分序列结构数据的概率化结构模型。言下之意，就是对于给定的输出标识序列Y和观测序列X，条件随机场通过定义条件概率P（Y|X），而不是联合概率分布P（X，Y）来描述模型。 CRF也可以看作一个无向图模型或者马尔可夫随机场（Markov random field）。

定义6-5（条件随机场） 设G＝（V，E）为一个无向图，V为结点集合，E为无向边的集合。Y＝{Yv|v∈V}，即V中的每个结点对应于一个随机变量Yv，其取值范围为可能的标记集合{y}。如果以观察序列X为条件，每一个随机变量Yv都满足以下马尔可夫特性：

其中，w～v表示两个结点在图G中是邻近结点。那么，（X，Y）为一个条件随机场。

理论上，只要在标记序列中描述了一定的条件独立性，G的图结构可以是任意的。对序列进行建模可以形成最简单、最普通的链式结构（chai