条件随机场
条件随机场(conditional random field,简称 CRF),是一种鉴别式机率模型,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。
如同马尔可夫随机场,条件随机场为无向性之图模型,图中的顶点代表随机变数,顶点间的连线代表随机变数间的相依关系,在条件随机场当中,随机变数 Y 的分布为条件机率,给定的观察值则为随机变数 X。原则上,条件随机场的图模型布局是可以任意给定的,一般常用的布局是链结式的架构,链结式架构不论在训练(training)、推论(inference)、或是解码(decoding)上,都存在有效率的演算法可供演算。
条件随机场跟隐藏式马可夫模型常被一起提及,条件随机场对于输入和输出的机率分布,没有如隐藏式马可夫模型那般强烈的假设存在。 线性链条件随机场应用于标注问题是由Lafferty等人与2001年提出的[1]。
参考文献
编辑- ^ Lafferty, J., McCallum, A., Pereira, F. Conditional random fields: Probabilistic models for segmenting and labeling sequence data. Proc. 18th International Conf. on Machine Learning. Morgan Kaufmann: 282–289. 2001 [2016-08-17]. (原始内容存档于2016-08-25).