条件随机场（CRF）及CRF++安装使用

　　这个，终于到了要解决命名实体识别的问题，搞自然语言处理，貌似这个绕不开的。CRF，传统的干这活的利器，听名字就是高大上。既然绕不开，那就整整吧。

　　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。
　　很清楚了，这是个判别模型。
　　CRF也可以看做一个无向图模型或者马尔可夫随机场。
　　任何一个概念，都要从定义着手：

　　设G = （V， E）为一个无向图，V为结点集合，E为无向边的结合。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：p(Yv | X, Yw, w ≠ v) = p(Yv | X, Yw, w ~ v),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。

　　从定义中能得出啥来呢？
　　CRF考虑一件东西，不但要考虑自身，还要考虑周围的情况。举个例子，我们做命名实体识别，例句：“Google的总部在硅谷”。我们知道地址是“硅谷”，其他位置的词对我们识别“硅谷”有啥帮助呢？例如，“硅谷”前面是“在”，是不是这个字后面经常接地址呢？“在”前面的词是不是应该是名词？这样的综合考虑，就是CRF中的特征选择或者叫特征模板。
　　简要的说，CRF算法，需要解决三个问题：
　　1、特征的选择
　　在CRF中，很重要的工作就是找特征函数，然后利用特征函数来构建特征方程。在自然语言处理领域，特征函数主要是指一个句子 s，词在句子中的位置 i，当前词的标签 l_{i}，前一个词的标签 l_{i-1}。
　　2、参数训练
　　在每一个特征函数之前，都有一个