條件隨機場CRF(一)從隨機場到線性鏈條件隨機場
條件隨機場CRF(二) 前向后向算法評估標記序列概率（TODO）
條件隨機場CRF(三) 模型學習與維特比算法解碼（TODO）
條件隨機場(Conditional Random Fields, 以下簡稱CRF)是給定一組輸入序列條件下另一組輸出序列的條件概率分布模型，在自然語言處理中得到了廣泛應用。本系列主要關注于CRF的特殊形式：線性鏈(Linear chain) CRF。本文關注與CRF的模型基礎。
1.什么樣的問題需要CRF模型
和HMM類似，在討論CRF之前，我們來看看什么樣的問題需要CRF模型。這里舉一個簡單的例子：
假設我們有Bob一天從早到晚的一系列照片，Bob想考考我們，要我們猜這一系列的每張照片對應的活動，比如: 工作的照片，吃飯的照片，唱歌的照片等等。一個比較直觀的辦法就是，我們找到Bob之前的日常生活的一系列照片，然后找Bob問清楚這些照片代表的活動標記，這樣我們就可以用監(jiān)督學習的方法來訓練一個分類模型，比如邏輯回歸，接著用模型去預測這一天的每張照片最可能的活動標記。
這種辦法雖然是可行的，但是卻忽略了一個重要的問題，就是這些照片之間的順序其實是有很大的時間順序關系的，而用上面的方法則會忽略這種關系。比如我們現(xiàn)在看到了一張Bob閉著嘴的照片，那么這張照片我們怎么標記Bob的活動呢？比較難去打標記。但是如果我們有Bob在這一張照片前一點點時間的照片的話，那么這張照片就好標記了。如果在時間序列上前一張的照片里Bob在吃飯，那么這張閉嘴的照片很有可能是在吃飯咀嚼。而如果在時間序列上前一張的照片里Bob在唱歌，那么這張閉嘴的照片很有可能是在唱歌。
為了讓我們的分類器表現(xiàn)的更好，可以在標記數(shù)據(jù)的時候，可以考慮相鄰數(shù)據(jù)的標記信息。這一點，是普通的分類器難以做到的。而這一塊，也是CRF比較擅長的地方。
