基于HMM的命名实体识别
隐马尔科夫(HMM )的提出
隐马尓科夫是对联合概率(观察状态,隐藏状态)分布建模,属于生成模型,属于有向概率图模型,假设有d个变量,每个变量有两种状态,则有
,当d非常大时,terms呈指数级增加,因此用HMM来解决联合概率分布表示的维度灾难问题。
命名实体识别(NER)
对于一段文本序列,识别出文本中我们认为比较重要的词,或者比较有意义的字,比如使人名、地名,组织机构名、时间、数字等类型。
HMM两个假设
- 齐次马尔科夫假设 :假设当前时刻的隐藏状态只依赖于上一时刻的隐藏状态(一阶马尔科夫),其实可能依赖前两个、三个,该假设对应了标签-标签的隐藏状态的转移概率矩阵A;
- 观测独立性假设 :任意时刻的观察状态只依赖当前时刻的隐藏状态,该假设对应词-标签的发射概率矩阵B;
- 初始隐藏状态矩阵
根据这三个参数HMM模型可以用如下公式表:
三个问题
- 概率计算问题:给定HMM模型,求某个观测序列的概率,利用前向和后向算法来计算。
- 学习问题 :给定观测序列,求模型的参数(),利用极大似然估计和EM算法来计算。
- 预测问题:解码问题,给定观测序列和HMM模型,求给定给定观测序列下隐藏状态的最优序列,因为可能有多个隐藏状态序列,我们利用动态规划维特比算法来寻找最优的隐藏状态序列。