HMM隐马尔科夫模型

对于这些模型的介绍我打算从以下几个部分来写：
1：模型的基本概念
2：模型是如何应用于nlp当中的
3：相关论文
4：代码实现

HMM是隐马尔科夫模型的简称，这个模型的结构可以直接由下面的图来表示：其中蓝色方块表示的是状态序列，它是不可以被观测到的；红色圆圈表示观测序列，是可以直接观测到。而两个箭头都表示概率，黑色称为转换概率，红色称为发射概率。
HMM可以用三元符号表示：（A，B，Π），其中A是状态转移矩阵，B是发射矩阵，Π是初始时可能取到的隐含状态的概率矩阵。

因为我们只直到观测序列，那么就可以引出以下四个问题：
1：估计问题：我们想计算得到已知的这个观测序列的概率是多少。此时已知观测序列、状态序列、状态转移概率和发射概率，直接求解就可以了。
2：解码问题：我们想解开这个状态序列到底是什么样。此时已知观测序列、初始概率Π，隐含状态数量、状态转移概率，发射概率，未知的是隐状态序列。
3：学习问题：已知隐含状态数量，观测序列，求解转移概率、发射概率和初始矩阵Π。
哔哩哔哩上有很好的讲解视频

四个问题的解决算法：
问题1：前向或者后向算法