【NLP】带你认识经典的序列模型-HMM与CRF

chaser&upper

于 2021-10-05 20:19:39 发布

阅读量588

点赞数 4

CC 4.0 BY-SA版权

分类专栏：自然语言处理文章标签：自然语言处理机器学习深度学习

本文链接：https://blog.csdn.net/qq_46092061/article/details/120617674

自然语言处理专栏收录该内容

77 篇文章 ¥9.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍了HMM（隐马尔科夫模型）和CRF（条件随机场）在自然语言处理中的应用，包括它们的输入输出、作用、使用过程以及两者之间的差异。HMM常用于文本序列标注，如分词和词性标注，但受限于隐马假设，其准确率在某些场景下低于CRF。CRF不依赖隐马假设，能处理更复杂的序列关系，但在计算速度上较慢。随着深度学习的发展，HMM和CRF的应用逐渐减少，但了解这些经典模型的基础知识仍然重要。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. HMM模型

1.1 HMM模型的输入和输出

HMM(Hidden Markov Model), 中文称作隐含马尔科夫模型, 因俄国数学家马尔可夫而得名. 它一般以文本序列数据为输入, 以该序列对应的隐含序列为输出.

什么是隐含序列:

序列数据中每个单元包含的隐性信息, 这些隐性信息之间也存在一定关联.

举个栗子:

给定一段文本: "人生该如何起头"

我们看到的这句话可以叫做: 观测序列

我们可以将这句话以词为单位进行jieba划分得到:

["人生", "该"

了解本专栏

超级会员免费看