条件随机场(CRF)
一、条件随机场(Conditional Random Fields)。
条件随机场(CRF)是在给定一组输入随机变量条件下另外一组输出随机变量的条件概率分布模型,它是一种判别式的概率无向图模型,既然是判别式,那就是对条件概率分布建模。 CRF的输出随机变量是一个概率无向图模型。
1.1 概率图模型
- 常用的概率图模型分为两类:
-
有向图(贝叶斯网络、信念网络).
无向图(马尔可夫随机场、马尔可夫网络、条件随机场(CRF))
1.2 马尔可夫性
1.3 团与最大团
1.4 概率无向图模型的联合概率分布
1.5 条件随机场
1.6 线性链条件随机场
注意在CRF的定义中,我们并没有要求X和Y有相同的结构。
实现中,一般都假设 X=(X1,X2,...Xn), Y=(Y1,Y2,...Yn)X=(X1,X2,...Xn),Y=(Y1,Y2,...Yn)X=(X_1,X_2,...X_n),~~~Y=(Y_1,Y_2,...Y_n) 为线性链表示的随机变量序列。
在给定随机变量序列X的情况下,随机变量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:
P(Y_i|X,Y_1,Y_2,...Y_n)=P(Y_i|X,Y_{i−1},Y_{i+1})
则称P(Y|X)为线性链条件随机场(linear-CRF)。
2.条件随机场的不同形式
2.1 条件随机场的参数化形式
- 在linear-CRF中,特征函数分为两类:
-
第一类是定义在Y节点上的节点特征函数,这类特征函数只和当前节点有关,记为:
sl(yi,x,i), l=1,2,...Lsl(yi,x,i),l=1,2,...L
s_l(y_i,x,i),~~~l=1,2,...L
-
其中L是定义在该节点的节点特征函数的总个数,iii是当前节点在序列的位置。
-
第二类是定义在Y上下文的局部特征函数,这类特征函数只和当前节点和上一个节点有关,记为:
tk(yi−1,yi,x,i), k=1,2,...K" role="presentation">tk(yi−1,yi,x,i), k=1,2,...Ktk(yi−1,yi,x,i), k=1,2,...Kt_k(y_{i−1},y_i,x,i),~~~k=1,2,...K
-
其中K是定义在该节点的局部特征函数的总个数,i是当前节点在序列的位置。之所以只有上下文相关的局部特征函数,没有不相邻节点之间的特征函数,是因为我们的linear-CRF满足马尔科夫性。
无论是节点特征函数还是局部特征函数,它们的取值只能是0或者1。即满足特征条件或者不满足特征条件。
同时,我们可以为每个特征函数赋予一个权值,用以表达我们对这个特征函数的信任度。假设tk的权重系数是λk,slλk,slλ_k,s_l 的权重系数是μlμlμ_l,则linear-CRF由我们所有的tk,λk,sl,μltk,λk,sl,μlt_k,λ_k,s_l,μ_l共同决定。
此时我们得到了linear-CRF的参数化形式如下:
P(y|x)=\frac{1}{Z(x)}exp(∑_{i,k}λ_kt_k(y_{i−1},y_i,x,i)+∑_{i,l}μ_ls_l(y_i,x,i))
其中,Z(x)为规范化因子:
Z(x)=∑exp(∑i,kλ_kt_k(y_{i−1},y_i,x,i)+∑_{i,l} μ_ls_l(y_i,x,i))
回到特征函数本身,每个特征函数定义了一个linear-CRF的规则,则其系数定义了这个规则的可信度。所有的规则和其可信度一起构成了我们的linear-CRF的最终的条件概率分布。
2.2 条件随机场的简化形式
2.3 条件随机场的矩阵形式
判别式模型 与 产生式模型 的区别
条件随机场(CRF)相关推荐
- 条件随机场(CRF) - 1 - 简介
声明: 1,本篇为个人对<2012.李航.统计学习方法.pdf>的学习总结,不得用作商用,欢迎转载,但请注明出处(即:本帖地址). 2,由于本人在学习初始时有很多数学知识都已忘记,所以为了 ...
- 条件随机场(CRF) - 2 - 定义和形式
版权声明:本文为博主原创文章,未经博主允许不得转载. https://blog.csdn.net/xueyingxue001/article/details/51498968 声明: 1,本篇为个人对 ...
- 条件随机场 (CRF) 分词序列谈之一(转)
http://langiner.blog.51cto.com/1989264/379166 原创作品,允许转载,转载时请务必以超链接形式标明文章 原始出处 .作者信息和本声明.否则将追究法律责任.ht ...
- 条件随机场(CRF)相对于HMM,MEMM的优势
条件随机场(CRF)相对于HMM,MEMM的优势 首先,CRF,HMM(隐马模型),MEMM(最大熵隐马模型)都常用来做序列标注的建模,像词性标注,True casing.但隐马模型一个最大的缺点就是 ...
- 【机器学习基础】一文读懂用于序列标注的条件随机场(CRF)模型
模型前的铺垫 我们先引入一个假设,假设一个句子的产生只需要两步: 第一步:基于语法产生一个合乎文法的词性序列 第二步:对第一步产生的序列中的每个词性找到符合这个词性的一个词汇,从而产生一个词汇序列,便 ...
- 简明条件随机场CRF介绍 | 附带纯Keras实现
作者丨苏剑林 单位丨广州火焰信息科技有限公司 研究方向丨NLP,神经网络 个人主页丨kexue.fm 笔者去年曾写过文章<果壳中的条件随机场(CRF In A Nutshell)>[1], ...
- 条件随机场(CRF)相关理论知识
文章目录 无向概率图模型 条件随机场 CRF 实例 线性链条件随机场的简化形式 线性链条件随机场的矩阵形式 linear-CRF的三个基本问题 1,概率计算问题 前向后向概率概述 前向后向概率计算 l ...
- 长文详解基于并行计算的条件随机场CRF
六月 北京 | 高性能计算之GPU CUDA培训 6月22-24日三天密集式学习 快速带你入门阅读全文> 正文共3974个字,29张图,预计阅读时间18分钟. 之前写过CRF的详解,只是为了让 ...
- python期望输出隐藏_【归纳综述】马尔可夫、隐马尔可夫 HMM 、条件随机场 CRF 全解析及其python实现...
PR Structured Ⅲ:马尔可夫.隐马尔可夫 HMM .条件随机场 CRF 全解析及其python实现 Content 归纳性长文,不断更新中...欢迎关注收藏 本章承接概率图知识 马尔可夫不 ...
- 条件随机场CRF的理解
1.个人理解和总结 对比HMM的状态转移概率矩阵和发射概率矩阵CRF有自己的定义在边上的特征函数(相当于转移概率)和定义在节点上的特征函数(相当月发射概率) 序列标注HMM可以根据转移概率矩阵和发射概 ...
最新文章
- 数据库like匹配的实现猜测
- win7+php5.3.10下安装memcache (转)
- 【bzoj 2460 [BeiJing2011]元素】
- 试验篇--thttpd安装与调试
- Techo 大会:AI 会替代 DBA 么?
- 电脑启动后黑屏只有鼠标_电脑加装固态硬盘后出现黑屏或蓝屏解决方案
- Android P(2)---计划概览
- 在 Oracle Enterprise Linux 和 iSCSI 上构建您自己的 Oracle RAC 11g 集群 (2)
- 一个简单的Matlab面向对象编程实例
- sqlserver数据库修复
- 考勤系统的软件上位机设计
- visio一分二的箭头_Visio如何画各种线条与箭头?
- 弘辽科技:想要利用直通车打造爆款,这个技巧一定要把握
- python自动下载小说
- starday跨境电商平台发展迅猛,主打高性价比的产品优势来了!
- 数学之路(4)-数学基础-幂函数图像与函数平移
- Golang DNS 随便写写
- Verifying 000xxxxx ( 0%) Verify failed between address 0xxxxxx and 0xxxxxx Leaving target processor
- 微软官方工具_微软官方免费数据恢复工具Windows File Recovery帮你恢复电脑误删文件...
- “Random“ objects should be reused解决 Random() 低效问题
热门文章
- Socket 创建与连接
- 【线性代数】矩阵、向量、行列式、特征值与特征向量(掌握这些概念一篇文章就够了)
- 解决Yolov5的RuntimeError: result type Float can‘t be cast to the desired output type long int 问题
- BurpSuite基础
- 直播星加密将加速数字电视进程
- 为什么计算机桌面图标不见了,桌面上的图标不见了怎么办(电脑桌面图标突然没了怎么办?简单三步教你解决)...
- Linux之Httpd(Apache)服务详解
- 复星、宝宝树的C2M模式将如何在新母婴时代发挥商业效益?
- java mvvm_MVVM
- JVM学习笔记之StringTable