【学习笔记】【datawhale】 - 条件随机场

马尔可夫过程

假设一个随机过程中，𝑡𝑛tn 时刻的状态𝑥𝑛xn的条件发布，只与其前一状态𝑥𝑛−1xn−1 相关

隐马尔科夫算法

定义：

隐马尔科夫算法是对含有未知参数（隐状态）的马尔可夫链进行建模的生成模型。

 

在隐马尔科夫模型中，包含隐状态 和 观察状态，隐状态 𝑥𝑖 对于观察者而言是不可见的，而观察状态 𝑦𝑖对于观察者而言是可见的。隐状态间存在转移概率，隐状态 𝑥𝑖到对应的观察状态 𝑦𝑖间存在输出概率。

1. 假设隐状态𝑥𝑖 的状态满足马尔可夫过程，i时刻的状态𝑥𝑖 的条件分布，仅与其前一个状态𝑥𝑖−1相关，即：

2. 假设观测序列中各个状态仅取决于它所对应的隐状态，即

存在问题

在序列标注问题中，隐状态（标注）不仅和单个观测状态相关，还和观察序列的长度、上下文等信息相关。例如词性标注问题中，一个词被标注为动词还是名词，不仅与它本身以及它前一个词的标注有关，还依赖于上下文中的其他词。

 

条件随机场 （以线性链条件随机场为例）

给定 𝑋=(𝑥1,𝑥2,...,𝑥𝑛)X=(x1,x2,...,xn) ，𝑌=(𝑦1,𝑦2,...,𝑦𝑛)Y=(y1,y2,...,yn) 均为线性链表示的随机变量序列，若在给随机变量序列 X 的条件下，随机变量序列 Y 的条件概率分布 𝑃(𝑌|𝑋)P(Y|X) 构成条件随机场，即满足马尔可夫性：

 

𝑃(𝑦𝑖|𝑥1,𝑥2,...,𝑥𝑖−1,𝑦1,𝑦2,...,𝑦𝑖−1,𝑦𝑖+1)=𝑃(𝑦𝑖|𝑥,𝑦𝑖−1,𝑦𝑖+1)P(yi|x1,x2,...,xi−1,y1,y2,...,yi−1,yi+1)=P(yi|x,yi−1,yi+1)

则称为 P(Y|X) 为线性链条件随机场。

通过去除了隐马尔科夫算法中的观测状态相互独立假设，使算法在计算当前隐状态𝑥𝑖xi时，会考虑整个观测序列，从而获得更高的表达能力，并进行全局归一化解决标注偏置问题。

参数化形式：

简化形式

因为条件随机场中同一特征在各个位置都有定义，所以可以对同一个特征在各个位置求和，将局部特征函数转化为一个全局特征函数，这样就可以将条件随机场写成权值向量和特征向量的内积形式，即条件随机场的简化形式。

条件随机场写成内积形式:

基本问题

条件随机场包含概率计算问题、学习问题和预测问题三个问题。

1. 概率计算问题：已知模型的所有参数，计算观测序列 𝑌Y 出现的概率，常用方法：前向和后向算法

2. 学习问题：已知观测序列 𝑌Y，求解使得该观测序列概率最大的模型参数，包括隐状态序列、隐状态间的转移概率分布和从隐状态到观测状态的概率分布，常用方法：Baum-Wehch 算法

3. 预测问题：一直模型所有参数和观测序列 𝑌Y ，计算最可能的隐状态序列 𝑋X,常用算法：维特比算法