机器学习笔记：线性链条件随机场（CRF）

0 引入：以词性标注为例

• 比如我们要对如下句子进行标注：
  • “小明一把把把把住了”
• 那么我么可能有很多种词性标注的方法，中间四个“把”，可以是“名词+名词+动词+名词”，可以是“名词+动词+动词+名词”等多种形式。

那么，哪种标注序列最有可能是正确的呢？

• 我们如果可以给每一个标注序列进行打分，打分越高的表示这个标注序列越靠谱，那么就会容易的多。打分最高的就是最可能的标注序列。

• 对于标注序列问题，我们可以设计一组特征函数
  • （比如动词后面接动词，那么给他一个很负的分数；动词后面接名词，可以给0.8左右的分数之类）
  • 用这个特征函数集合来为一个标注序列打分，并据此选出最靠谱的标注序列
  • 也就是说，每一个特征函数都可以用来为一个标注序列评分
    • 把集合中所有特征函数对同一个标注序列的评分综合起来，就是这个标注序列最终的评分值

1 特征函数

• 线性链CRF 中的特征函数接受四个参数：
  • 句子s（在前面的样例中是需要标注词性的句子）
  • i（句子s中第i个单词）
  • （要评分的标注序列给第i个单词标注的词性）
  • （要评分的标注序列给第i-1个单词标注的词性）

• 定义好一组特征函数后，我们要给每个特征函数赋予一个权重
  • 对于一个句子s，和一种可能的标注序列l
  • 我们利用特征函数集对其评分
    •  
•  对这个分数进行指数化和标准化，我们就可以得到选择标注序列l的概率值p(l|s)
  • 类似于softmax

2 和HMM的对比

机器学习笔记&Python笔记：HMM（隐马尔科夫模型）_UQI-LIUWJ的博客-CSDN博客

HMM可以看成一种特殊的线性链CRF

• 我们考虑一个HMM
  • 状态集合（隐藏状态）：
  • 观测集合（可见观测）：
  • 初始化概率：，初始状态为的概率
  • 状态转移概率：
  • 观测转移概率：
• 定义HMM观测序列的联合概率为：
  • 
• 线性链CRF的概率
  • 
    • Z(O)是归一化常数（softmax的分母）
    •  是模型的权重参数
    • 是特征函数
      • 第一个式子相当于i*j个特征函数组成的集合
        • 每一个特征函数评价前一个隐藏状态是j，后一个隐藏状态是i的情况
      • 第二个式子相当于i个特征函数组成的集合
        • 当前时刻隐藏状态是i，观测状态是Ot的情况
• 现在令
  • 
    • 那么
      • 进而等于 【只有时指示函数才为1，其余情况指示函数为0】
      • 
  • 
    • 那么
      • 进而等价于【只有，且观测值为时指示函数才为1，其余情况指示函数为0】
      • 
  • 所以
    • 
    • 这样也就把线性链CRF桥接到HMM中了
  • 所以HMM可以看成一种特殊情况的线性链CRF
    • CRF要比HMM更加强大
      • CRF可以定义数量更多，种类更丰富的特征函数
      • CRF可以使用任意的权重
        • 将对数HMM模型看做CRF时，特征函数的权重由于是log形式的概率，所以都是小于等于0的
        • 在CRF中，每个特征函数的权重可以是任意值