摘要：
条件随机场是一种判别式概率模型，是随机场的一种，常用于标注或分析序列资料，如自然语言文字或是生物序列。
引言：
“条件随机场”被用于中文分词和词性标注等词法分析工作，一般序列分类模型常常采用隐马尔科夫模型（HMM），像基于类的中文分词。但隐马尔可夫模型中存在两个假设：输出独立性假设和马尔可夫性假设。其中，输出独立性假设要求序列数据严格相互独立才能保证推导的正确性，而事实上大多数序列数据不能被表示成一系列独立事件。而条件随机场则使用一种概率图模型，具有表达长距离依赖性和交叠性特征的能力，能够较好地解决标注（分类）偏置等问题的优点，而且所有特征可以进行全局归一化，能够求得全局的最优解。
隐马尔科夫模型可以用于分词，而条件随机场则是可以用于词性的判断。
预备知识：
最大熵模型，隐马尔科夫模型、Logistic回归
一、概述
1、几种网络模型的比较
HMM：
MEMM：
CRF：
RVM：
2、对数线性模型
令x为某样本，y是x的可能标记，将Logistic/Softmax回归的特征记做Fj(x,y)，则对数线性模型的一般形式：
其中，归一化因子：
给定x的预测标记为：
3、特征函数的选择
特征函数几乎可任意选择，甚至特征函数间重叠；
以自然语言处理为例：
假定观测x是单词，则下列都是合理可行的特征：
x以大写字母开头、x以J开头、x的长度为7、x中包含两个大写字母
NLP中常用的特征：前缀、后缀、词典位置、前置/后置标点
4、词性标注的特征函数
词性标注是指将每个单词标记为名词/动词/形容词/介词等。
词性：POS，Part Of Speech
o记w为句子s的某个单词，则特征函数可以是：
- w在句首/句尾(位置相关)
- w的前缀是anti-/co-/dis-/inter-等(单词本身)
- w的后缀是-able/-ation/-er/-ing等(单词本身)
- w前面的单词是a/could/SALUTATION等(单词间)
- w后面的单词是am/is/are/等(单词间)
w前面两个单词是Wouldlike/Therebe等(单词和句子)
高精度的POS会使用超过10万个特征。
- 每个特征只和当前词性有关，最多只和相邻词的词性有关；
- 但特征可以和所有词有关。
5、词性标注
词性标注被称为“结构化预测”，该任务与标准的类别学习任务存在巨大不同：
- 如果每个单词分别预测，将丢失众多信息；
- 相邻单词的标记是相互影响的，非独立。
- 不同的句子有不同长度；
- 这导致不方便将所有句子统一成同长度向量。
- 标记序列解集与句子长度呈指数级增长。
- 这使得穷举计算几乎无法实用。
二、线性条件随机场
线性条件随机场可以使用对数线性模型。
使用表示n个词的序列；表示相应的词性
定义：
次特征：
定义句子
的第j个特征
是由若干次特征
组合而成的，这里的
依赖或部分依赖于当前整个句子
、当前词的标记
、前一个词的标记
、当前词在句子中的位置i。
将每一个位置i上的次特征
相加，即得到特征
，从而解决训练样本变长的问题。
参数训练：
给定一组训练样本(x,y)，找出权向量w，使得下式成立：
满足上式的w，即为最终的推断参数。
二、条件随机场
设X=(X1,X2…Xn)和Y=(Y1,Y2…Ym)都是联合随机变量，若随机变量Y构成一个无向图G=(V,E)表示的马尔科夫随机场(MRF)，则条件概率分布P(Y|X)称为条件随机场(Conditional Random Field,CRF)
- X称为输入变量、观测序列
- Y称为输出序列、标记序列、状态序列
一般而言，MRF是关于隐变量(状态变量、标记变量)的图模型，而给定观测变量后考察隐变量的条件概率，即为CRF。但这种混用，类似较真总理和***的区别。混用的原因：在计算P(Y|X)时需要将X也纳入MRF中一起考虑
三、线性链条件随机场
设X=(X1,X2…Xn)和Y=(Y1,Y2…Ym)都是联合随机变量，若随机变量Y构成一个无向图G=(V,E)表示的马尔科夫随机场(MRF)，则条件概率分布P(Y|X)称为条件随机场(Conditional Random Field,CRF)
即：
其中，表示与结点v相连的所有结点wo一种重要而特殊的CRF是线性链条件随机场(Linear Chain Conditional Random Field)，可用于标注等问题。这时，条件概率P(Y|X)中，Y表示标记序列(或称状态序列)，X是需要标注的观测序列。
线性条件随机场的定义：
X=(X1,X2…Xn)和Y=(Y1,Y2…Yn)均为线性链表示的随机变量序列，若在给定随机变量序列X的条件下，随机变量序列Y的条件概率分布P(Y|X)构成条件随机场，即满足马尔科夫性
则称P(Y|X)为线性链条件随机场。在标注问题中，X表示输入序列或称观测序列，Y表述对应的输出标记序列或称状态序列。
四、CRF总结
条件随机场可以使用对数线性模型表达。不严格的说，线性链条件随机场可看成是隐马尔科夫模型的推广，隐马尔科夫模型可看成是线性链条件随机场的特殊情况。
- 概率计算使用前向-后向算法；
- 参数学习使用梯度上升算法(或IIS)；
- 应用于标注/分类，在给定参数和观测序列(样本)的前提下，使用Viterbi算法进行标记的预测。
- 标记序列y要求链状，但x无要求，除了一维的词性标注、中文分词，还可以用于离散数据（如用户信息），或二维数据（如图像），用途广泛。
缺点：有监督学习计算参数、参数估计的速度慢。
