一、维特比算法（Viterbi Algorithm）讲解方式01：篱笆网络（Lattice）的最短路径问题

已知下图的篱笆网络，每个节点之间的数字表示相邻节点之间的距离，举个例子来说，如果我走，这个距离是。那么如果让你从A走到E，最短路径是哪一条呢？

显然大家都知道，通过穷举的方法是很容易得到最短路径，可是问题就在于如果穷举的话，需要的加法次数不用算你也知道实在是太多啦（每条路径需要计算次加法，一共条路径共次计算）！像这种没几层的篱笆网络也就罢了，如果每层13个节点，一共12层（然而这个规模对于标注问题来说也依然根本不算什么），可想而知那个线有多乱，如果仅仅穷举的话，这个计算量（大致是每条次计算，一共条路径共大约次计算）怕是超级计算机也吃不消。

如下图，假如你从S和E之间找一条最短的路径，除了遍历完所有路径，还有什么更好的方法？答案：viterbi (维特比)算法。

viterbi维特比算法解决的是篱笆型的图的最短路径问题，图的节点按列组织，每列的节点数量可以不一样，每一列的节点只能和相邻列的节点相连，不能跨列相连，节点之间有着不同的距离，距离的值就不在图上一一标注出来了，大家自行脑补。

为了找出S到E之间的最短路径，我们先从S开始从左到右一列一列地来看。

首先起点是S，从S到A列的路径有三种可能：S-A1、S-A2、S-A3，如下图：

我们不能武断地说S-A1、S-A2、S-A3中的哪一段必定是全局最短路径中的一部分，目前为止任何一段都有可能是全局最短路径的备选项。

我们继续往右看，到了B列。按B列的B1、B2、B3逐个分析。

先看B1：

如上图，经过B1的所有路径只有3条：

S-A1-B1

S-A2-B1

S-A3-B1

以上这三条路径，各节点距离加起来对比一下，我们就可以知道其中哪一条是最短的。假设S-A3-B1是最短的，那么我们就知道了经过B1的所有路径当中S-A3-B1是最短的，其它两条路径路径S-A1-B1和S-A2-B1都比S-A3-B1长，绝对不是目标答案，可以大胆地删掉了。删掉了不可能是答案的路径，就是viterbi算法（维特比算法）的重点，因为后面我们再也不用考虑这些被删掉的路径了。现在经过B1的所有路径只剩一条路径了，如下图：

接下来，我们继续看B2：

同理，如上图，经过B2的路径有3条：

S-A1-B2

S-A2-B2

S-A3-B2

这三条路径中，各节点距离加起来对比一下，我们肯定也可以知道其中哪一条是最短的，假设S-A1-B2是最短的，那么我们就知道了经过B2的所有路径当中S-A1-B2是最短的，其它两条路径路径S-A2-B2和S-A3-B1也可以删掉了。经过B2所有路径只剩一条，如下图：

接下来我们继续看B3：

同理，如上图，经过B3的路径也有3条：

S-A1-B3

S-A2-B3

S-A3-B3

这三条路径中我们也肯定可以算出其中哪一条是最短的，假设S-A2-B3是最短的，那么我们就知道了经过B3的所有路径当中S-A2-B3是最短的，其它两条路径路径S-A1-B3和S-A3-B3也可以删掉了。经过B3的所有路径只剩一条，如下图：

现在对于B列的所有节点我们都过了一遍，B列的每个节点我们都删除了一些不可能是答案的路径，看看我们剩下哪些备选的最短路径，如下图：

上图是我们删掉了其它不可能是最短路径的情况，留下了三个有可能是最短的路径：S-A3-B1、S-A1-B2、S-A2-B3。现在我们将这三条备选的路径放在一起汇总到下图：

S-A3-B1、S-A1-B2、S-A2-B3都有可能是全局的最短路径的备选路径，我们还没有足够的信息判断哪一条一定是全局最短路径的子路径。

如果我们你认为没毛病就继续往下看C列，如果不理解，回头再看一遍，前面的步骤决定你是否能看懂viterbi算法（维特比算法）。

接下来讲到C列了，类似上面说的B列，我们从C1、C2、C3一个个节点分析。

经过C1节点的路径有：

S-A3-B1-C1、

S-A1-B2-C1、

S-A2-B3-C1

和B列的做法一样，从这三条路径中找到最短的那条（假定是S-A3-B1-C1），其它两条路径同样道理可以删掉了。那么经过C1的所有路径只剩一条，如下图：

同理，我们可以找到经过C2和C3节点的最短路径，汇总一下：

到达C列时最终也只剩3条备选的最短路径，我们仍然没有足够信息断定哪条才是全局最短。

最后，我们继续看E节点，才能得出最后的结论。

到E的路径也只有3种可能性：

E点已经是终点了，我们稍微对比一下这三条路径的总长度就能知道哪条是最短路径了。

在效率方面相对于粗暴地遍历所有路径，viterbi 维特比算法到达每一列的时候都会删除不符合最短路径要求的路径，大大降低时间复杂度。

二、维特比算法（Viterbi Algorithm）讲解方式02：分词算法

维特比算法（Viterbi Algorithm）本质上还是动态规划（Dynamic Programming）

例子：“经常有意见分歧”

我们仍然是有以下几个数据：

词典：["经常","有","意见","意","见","有意见","分歧","分","歧"]
概率P(x)：{"经常":0.08,"有":0.04,"意见":0.08,"意":0.01,"见":0.005,"有意见":0.002,"分歧":0.04,"分":0.02, "歧":0.005}
-ln(P(x))：{"经常":2.52,"有":3.21,"意见":2.52,"意":4.6,"见":5.29,"有意见":6.21,"分歧":3.21,"分":3.9, "歧":5.29}

如果某个词不在字典中，我们将认为其 −ln[P(x)]−ln[P(x)]−ln[P(x)] 值为20。

我们构建以下的DAG(有向图），每一个边代表一个词，我们将 −ln[P(x)]-ln[P(x)]−ln[P(x)]的值标到边上，

求 −ln[P(x)]−ln[P(x)]−ln[P(x)] 的最小值问题，就转变为求最短路径的问题。

由图可以看出，路径 0—>②—>③—>⑤—>⑦ 所求的值最小，所以其就是最优结果：经常 / 有 / 意见 / 分歧

那么我们应该怎样快速计算出来这个结果呢？

我们设 f(n)f(n)f(n) 代表从起点 000 到结点 nnn 的最短路径的值，所以我们想求的就是 f(7)f(7)f(7)，从DAG图中可以看到，到结点⑦有2条路径：

从结点⑤—>结点⑦：f(7)=f(5)+3.21f(7)=f(5)+3.21f(7)=f(5)+3.21
从结点⑥—>结点⑦：f(7)=f(6)+5.29f(7)=f(6)+5.29f(7)=f(6)+5.29

我们应该从2条路径中选择路径短的。

在上面的第1条路径中，f(5)f(5)f(5) 还是未知的，我们要 f(5)f(5)f(5)，同理我们发现到结点⑤的路径有3条路径：

从结点②—>结点⑤：f(5)=f(2)+6.21f(5)=f(2)+6.21f(5)=f(2)+6.21
从结点③—>结点⑤：f(5)=f(3)+2.52f(5)=f(3)+2.52f(5)=f(3)+2.52
从结点④—>结点⑤：f(5)=f(4)+20f(5)=f(4)+20f(5)=f(4)+20

我们同样从3条路径中选择路径短的。以此类推，直到结点0，所有的路径值都可以算出来。我们维护一个列表来表示 f(n)f(n)f(n) 的各值：

结点	1	2	3	4	5	6	7
f(n)	20	2.52	5.73	25.73	8.25	12.5	11.46
结点的上一个结点	0	0	②	③	③	⑤	⑤

第2行代表从起点0到该结点的最短路径的值，第3行代表在最短路径中的该节点的上一个结点。

通过表，我们可以找到结点⑦的上一个结点⑤，结点⑤的上一个结点③，结点③的上一个结点②，结点②的上一个结点0，即路径：0—>②—>③—>⑤—>⑦

# -*- coding: utf-8 -*-
import math
import collections# 维特比算法(viterbi)
def word_segmentation(text):####################################################################################################################################################################word_dictionaries = ["经常", "有", "意见", "意", "见", "有意见", "分歧", "分", "歧"]probability = {"经常": 0.08, "有": 0.04, "意见": 0.08, "意": 0.01, "见": 0.005, "有意见": 0.002, "分歧": 0.04, "分": 0.02, "歧": 0.005}probability_ln = {key: -math.log(probability[key]) for key in probability}# probability_ln = {'经常': 2.5257286443082556, '有': 3.2188758248682006, '意见': 2.5257286443082556, '意': 4.605170185988091, '见': 5.298317366548036, '有意见': 6.214608098422191, '分歧': 3.2188758248682006, '分': 3.912023005428146, '歧': 5.298317366548036}print("probability_ln = {0}".format(probability_ln))# 构造图的代码并没有实现，以下只是手工建立的图【如果某个词不在字典中，我们将认为其 −ln[P(x)] 值为20。】，为了说明 维特比算法##################################################################################################################################################################### 有向五环图，存储的格式：key是结点名，value是一个结点的所有上一个结点（以及边上的权重）graph = {0: {0: (0, "")},1: {0: (20, "经")},2: {0: (2.52, "经常"), 1: (20, "常")},3: {2: (3.21, "有")},4: {3: (20, "意")},5: {2: (6.21, "有意见"), 3: (2.52, "意见"), 4: (5.30, "见")},6: {5: (3.9, "分")},7: {5: (3.21, "分歧"), 6: (5.29, "歧")}}# =====================================================================利用“维特比算法”构建各个节点的最优路径：开始=====================================================================print("#"*50, "利用“维特比算法”构建各个节点的最优路径：开始", "#"*50)f = collections.OrderedDict()  # 保存结点n的f(n)以及实现f(n)的上一个结点【f(n)：代表从起点 0 到结点 n 的最短路径的值】for key, value in graph.items():  # 遍历有向图graph中的所有节点print("\nkey = {0}----value = {1}".format(key, value))tuple_temp_list = []for pre_node_key, pre_node_value in value.items():  # 遍历当前节点的所有上一个节点【pre_node_key：上一个节点的节点号，pre_node_value：本节点距离上一个节点的距离】# print("本节点的节点号：key = {0}----上一个节点的节点号：pre_node_key = {1}----本节点距离上一个节点的距离：pre_node_value = {2}".format(key, pre_node_key, pre_node_value))distance_from_0 = 0if pre_node_key not in f:  # 当遍历到0节点时，该节点的上一个结点还没有计算f(n)；distance_from_0 = pre_node_value[0]  # 0节点的上一节点（依旧时0节点）的距离else:  # 当遍历到0节点之后的节点distance_from_0 = pre_node_value[0] + f[pre_node_key][0]  # pre_node_value[0]：当前节点距离上一节点的距离；f[pre_node_key][0]：当前节点的上一节点“pre_node_key”距离0节点的最短距离print("本节点的节点号：key = {0}----本节点可触及的上一节点号：pre_node_key = {1}----本节点距离上一个节点“节点{1}”的距离：pre_node_value = {2}----上一节点“节点{1}”距离0节点的最短距离：f[pre_node_key][0] = {3}----本节点路径上一节点“节点{1}”距离0节点的距离：distance_from_0 = {4}".format(key, pre_node_key, pre_node_value, f[pre_node_key][0], distance_from_0))tuple_temp = (distance_from_0, pre_node_key)  # 【pre_node_value[0]：本节点距离0节点的最短距离；pre_node_key：本节点实现距离0节点距离最短时的上一个节点的节点号】tuple_temp_list.append(tuple_temp)min_temp = min(tuple_temp_list)  # 比较比较当前节点路径所触及的所有上一节点到达0节点的距离，得出当前节点 key 距离0节点的最短距离# min_temp = min((pre_node_value[0], pre_node_key) if pre_node_key not in f else (pre_node_value[0] + f[pre_node_key][0], pre_node_key) for pre_node_key, pre_node_value in value.items())  # 高阶写法print("本节点的节点号：key = {0}----当前节点路径所触及的所有上一节点到达0节点的距离：tuple_temp_list = {1}----当前节点 key 距离0节点的最短距离：min_temp = {2}".format(key, tuple_temp_list, min_temp))f[key] = min_tempprint("将当前节点{0}距离0节点的（最短距离,路径的节点号）= ({0},{1}) 加入f---->f = {2}".format(key, min_temp, f))  # f = OrderedDict([(0, (0, 0)), (1, (20, 0)), (2, (2.52, 0)), (3, (5.73, 2)), (4, (25.73, 3)), (5, (8.25, 3)), (6, (12.15, 5)), (7, (11.46, 5))])print("#" * 50, "利用“维特比算法”构建各个节点的最优路径：结束", "#" * 50)# =====================================================================利用“维特比算法”构建各个节点的最优路径：结束=====================================================================# =====================================================================提取最优最优路径：开始=====================================================================print("\n", "#" * 50, "提取最优路径：开始", "#" * 50)last = next(reversed(f))  # 最后一个结点7first = next(iter(f))  # 第一个结点0path_result = [last, ]  # 保存路径，最后一个结点先添入pre_last = f[last]  # 最后一个结点的所有前一个结点print("最后一个结点7：last = {0}----第一个结点0：first = {1}----初始化最优路径：path_result = {2}----最后一个结点的所有前一个结点：pre_last = {3}".format(last, first, path_result, pre_last))while pre_last[1] is not first:  # 没到达第一个结点就一直循环，查找上一个节点的上一个节点号path_result.append(pre_last[1])  # 加入一个路径结点Xpre_last = f[pre_last[1]]  # 定位到路径结点X的上一个结点path_result.append(first)  # 第一个结点添入print("最优路径：path_result = {0}".format(path_result))  # 结果：[7, 5, 3, 2, 0]print("#" * 50, "提取最优路径：结束", "#" * 50)# =====================================================================提取最优最优路径：结束=====================================================================# =====================================================================通过最优路径得到分词结果：开始=====================================================================print("\n", "#" * 50, "通过最优路径得到分词结果：开始", "#" * 50)text_result = []for index, num in enumerate(path_result):  # 找到路径上边的词if index + 1 == len(path_result):breakword = graph[num][path_result[index + 1]][1]print("最优路径：path_result = {0}----index = {1}----当前节点号：num = {2}----在最优路径里，当前节点号的上一个节点号：path_result[index + 1] = {3}----当前节点号{2}与上一节点号{3}之间的词汇：{4}".format(path_result, index, num, path_result[index + 1], word))text_result.append(word)print("text_result = {0}".format(text_result))text_result.reverse()  # 翻转一下print("翻转后：text_result = {0}".format(text_result))print("#" * 50, "通过最优路径得到分词结果：结束", "#" * 50)return "".join(word + "/" for word in text_result)# =====================================================================通过最优路径得到分词结果：结束=====================================================================if __name__ == '__main__':content = "经常有意见分歧"word_segmentation_result = word_segmentation(content)print("word_segmentation_result:", word_segmentation_result)

打印结果：

probability_ln = {'经常': 2.5257286443082556, '有': 3.2188758248682006, '意见': 2.5257286443082556, '意': 4.605170185988091, '见': 5.298317366548036, '有意见': 6.214608098422191, '分歧': 3.2188758248682006, '分': 3.912023005428146, '歧': 5.298317366548036}
################################################## 利用“维特比算法”构建各个节点的最优路径：开始 ##################################################
key = 0----value = {0: (0, '')}
本节点的节点号：key = 0----当前节点路径所触及的所有上一节点到达0节点的距离：tuple_temp_list = [(0, 0)]----当前节点 key 距离0节点的最短距离：min_temp = (0, 0)
将当前节点0距离0节点的（最短距离,路径的节点号）= (0,(0, 0)) 加入f---->f = OrderedDict([(0, (0, 0))])key = 1----value = {0: (20, '经')}
本节点的节点号：key = 1----本节点可触及的上一节点号：pre_node_key = 0----本节点距离上一个节点“节点0”的距离：pre_node_value = (20, '经')----上一节点“节点0”距离0节点的最短距离：f[pre_node_key][0] = 0----本节点路径上一节点“节点0”距离0节点的距离：distance_from_0 = 20
本节点的节点号：key = 1----当前节点路径所触及的所有上一节点到达0节点的距离：tuple_temp_list = [(20, 0)]----当前节点 key 距离0节点的最短距离：min_temp = (20, 0)
将当前节点1距离0节点的（最短距离,路径的节点号）= (1,(20, 0)) 加入f---->f = OrderedDict([(0, (0, 0)), (1, (20, 0))])key = 2----value = {0: (2.52, '经常'), 1: (20, '常')}
本节点的节点号：key = 2----本节点可触及的上一节点号：pre_node_key = 0----本节点距离上一个节点“节点0”的距离：pre_node_value = (2.52, '经常')----上一节点“节点0”距离0节点的最短距离：f[pre_node_key][0] = 0----本节点路径上一节点“节点0”距离0节点的距离：distance_from_0 = 2.52
本节点的节点号：key = 2----本节点可触及的上一节点号：pre_node_key = 1----本节点距离上一个节点“节点1”的距离：pre_node_value = (20, '常')----上一节点“节点1”距离0节点的最短距离：f[pre_node_key][0] = 20----本节点路径上一节点“节点1”距离0节点的距离：distance_from_0 = 40
本节点的节点号：key = 2----当前节点路径所触及的所有上一节点到达0节点的距离：tuple_temp_list = [(2.52, 0), (40, 1)]----当前节点 key 距离0节点的最短距离：min_temp = (2.52, 0)
将当前节点2距离0节点的（最短距离,路径的节点号）= (2,(2.52, 0)) 加入f---->f = OrderedDict([(0, (0, 0)), (1, (20, 0)), (2, (2.52, 0))])key = 3----value = {2: (3.21, '有')}
本节点的节点号：key = 3----本节点可触及的上一节点号：pre_node_key = 2----本节点距离上一个节点“节点2”的距离：pre_node_value = (3.21, '有')----上一节点“节点2”距离0节点的最短距离：f[pre_node_key][0] = 2.52----本节点路径上一节点“节点2”距离0节点的距离：distance_from_0 = 5.73
本节点的节点号：key = 3----当前节点路径所触及的所有上一节点到达0节点的距离：tuple_temp_list = [(5.73, 2)]----当前节点 key 距离0节点的最短距离：min_temp = (5.73, 2)
将当前节点3距离0节点的（最短距离,路径的节点号）= (3,(5.73, 2)) 加入f---->f = OrderedDict([(0, (0, 0)), (1, (20, 0)), (2, (2.52, 0)), (3, (5.73, 2))])key = 4----value = {3: (20, '意')}
本节点的节点号：key = 4----本节点可触及的上一节点号：pre_node_key = 3----本节点距离上一个节点“节点3”的距离：pre_node_value = (20, '意')----上一节点“节点3”距离0节点的最短距离：f[pre_node_key][0] = 5.73----本节点路径上一节点“节点3”距离0节点的距离：distance_from_0 = 25.73
本节点的节点号：key = 4----当前节点路径所触及的所有上一节点到达0节点的距离：tuple_temp_list = [(25.73, 3)]----当前节点 key 距离0节点的最短距离：min_temp = (25.73, 3)
将当前节点4距离0节点的（最短距离,路径的节点号）= (4,(25.73, 3)) 加入f---->f = OrderedDict([(0, (0, 0)), (1, (20, 0)), (2, (2.52, 0)), (3, (5.73, 2)), (4, (25.73, 3))])key = 5----value = {2: (6.21, '有意见'), 3: (2.52, '意见'), 4: (5.3, '见')}
本节点的节点号：key = 5----本节点可触及的上一节点号：pre_node_key = 2----本节点距离上一个节点“节点2”的距离：pre_node_value = (6.21, '有意见')----上一节点“节点2”距离0节点的最短距离：f[pre_node_key][0] = 2.52----本节点路径上一节点“节点2”距离0节点的距离：distance_from_0 = 8.73
本节点的节点号：key = 5----本节点可触及的上一节点号：pre_node_key = 3----本节点距离上一个节点“节点3”的距离：pre_node_value = (2.52, '意见')----上一节点“节点3”距离0节点的最短距离：f[pre_node_key][0] = 5.73----本节点路径上一节点“节点3”距离0节点的距离：distance_from_0 = 8.25
本节点的节点号：key = 5----本节点可触及的上一节点号：pre_node_key = 4----本节点距离上一个节点“节点4”的距离：pre_node_value = (5.3, '见')----上一节点“节点4”距离0节点的最短距离：f[pre_node_key][0] = 25.73----本节点路径上一节点“节点4”距离0节点的距离：distance_from_0 = 31.03
本节点的节点号：key = 5----当前节点路径所触及的所有上一节点到达0节点的距离：tuple_temp_list = [(8.73, 2), (8.25, 3), (31.03, 4)]----当前节点 key 距离0节点的最短距离：min_temp = (8.25, 3)
将当前节点5距离0节点的（最短距离,路径的节点号）= (5,(8.25, 3)) 加入f---->f = OrderedDict([(0, (0, 0)), (1, (20, 0)), (2, (2.52, 0)), (3, (5.73, 2)), (4, (25.73, 3)), (5, (8.25, 3))])key = 6----value = {5: (3.9, '分')}
本节点的节点号：key = 6----本节点可触及的上一节点号：pre_node_key = 5----本节点距离上一个节点“节点5”的距离：pre_node_value = (3.9, '分')----上一节点“节点5”距离0节点的最短距离：f[pre_node_key][0] = 8.25----本节点路径上一节点“节点5”距离0节点的距离：distance_from_0 = 12.15
本节点的节点号：key = 6----当前节点路径所触及的所有上一节点到达0节点的距离：tuple_temp_list = [(12.15, 5)]----当前节点 key 距离0节点的最短距离：min_temp = (12.15, 5)
将当前节点6距离0节点的（最短距离,路径的节点号）= (6,(12.15, 5)) 加入f---->f = OrderedDict([(0, (0, 0)), (1, (20, 0)), (2, (2.52, 0)), (3, (5.73, 2)), (4, (25.73, 3)), (5, (8.25, 3)), (6, (12.15, 5))])key = 7----value = {5: (3.21, '分歧'), 6: (5.29, '歧')}
本节点的节点号：key = 7----本节点可触及的上一节点号：pre_node_key = 5----本节点距离上一个节点“节点5”的距离：pre_node_value = (3.21, '分歧')----上一节点“节点5”距离0节点的最短距离：f[pre_node_key][0] = 8.25----本节点路径上一节点“节点5”距离0节点的距离：distance_from_0 = 11.46
本节点的节点号：key = 7----本节点可触及的上一节点号：pre_node_key = 6----本节点距离上一个节点“节点6”的距离：pre_node_value = (5.29, '歧')----上一节点“节点6”距离0节点的最短距离：f[pre_node_key][0] = 12.15----本节点路径上一节点“节点6”距离0节点的距离：distance_from_0 = 17.44
本节点的节点号：key = 7----当前节点路径所触及的所有上一节点到达0节点的距离：tuple_temp_list = [(11.46, 5), (17.44, 6)]----当前节点 key 距离0节点的最短距离：min_temp = (11.46, 5)
将当前节点7距离0节点的（最短距离,路径的节点号）= (7,(11.46, 5)) 加入f---->f = OrderedDict([(0, (0, 0)), (1, (20, 0)), (2, (2.52, 0)), (3, (5.73, 2)), (4, (25.73, 3)), (5, (8.25, 3)), (6, (12.15, 5)), (7, (11.46, 5))])
################################################## 利用“维特比算法”构建各个节点的最优路径：结束 #################################################################################################### 提取最优路径：开始 ##################################################
最后一个结点7：last = 7----第一个结点0：first = 0----初始化最优路径：path_result = [7]----最后一个结点的所有前一个结点：pre_last = (11.46, 5)
最优路径：path_result = [7, 5, 3, 2, 0]
################################################## 提取最优路径：结束 #################################################################################################### 通过最优路径得到分词结果：开始 ##################################################
最优路径：path_result = [7, 5, 3, 2, 0]----index = 0----当前节点号：num = 7----在最优路径里，当前节点号的上一个节点号：path_result[index + 1] = 5----当前节点号7与上一节点号5之间的词汇：分歧
最优路径：path_result = [7, 5, 3, 2, 0]----index = 1----当前节点号：num = 5----在最优路径里，当前节点号的上一个节点号：path_result[index + 1] = 3----当前节点号5与上一节点号3之间的词汇：意见
最优路径：path_result = [7, 5, 3, 2, 0]----index = 2----当前节点号：num = 3----在最优路径里，当前节点号的上一个节点号：path_result[index + 1] = 2----当前节点号3与上一节点号2之间的词汇：有
最优路径：path_result = [7, 5, 3, 2, 0]----index = 3----当前节点号：num = 2----在最优路径里，当前节点号的上一个节点号：path_result[index + 1] = 0----当前节点号2与上一节点号0之间的词汇：经常
text_result = ['分歧', '意见', '有', '经常']
翻转后：text_result = ['经常', '有', '意见', '分歧']
################################################## 通过最优路径得到分词结果：结束 ##################################################
word_segmentation_result: 经常/有/意见/分歧/Process finished with exit code 0

机器学习：维特比算法（Viterbi Algorithm）相关推荐

HMM——维特比算法(Viterbi algorithm)
1. 前言维特比算法针对HMM第三个问题,即解码或者预测问题,寻找最可能的隐藏状态序列: 对于一个特殊的隐马尔可夫模型(HMM)及一个相应的观察序列,找到生成此序列最可能的隐藏状态序列. 也就是说给 ...
语音识别学习日志 2019-7-17 语音识别基础知识准备6 {维特比算法(Viterbi Algorithm)}
HMM 维特比算法(Viterbi Algorithm)详细解释参考:http://www.52nlp.cn/hmm-learn-best-practices-six-viterbi-algorith ...
维特比算法Viterbi Algorithm
1.简介维特比算法是一个特殊但应用最广的动态规划算法,它是针对篱笆网络的有向图(Lattice)的最短路径问题而提出的.凡是使用隐含马尔可夫模型描述的问题都可以用维特比算法来解码,包括今天的数 ...
维特比算法(Viterbi)
维特比算法 (Viterbi algorithm) 是机器学习中应用非常广泛的动态规划算法,在求解隐马尔科夫.条件随机场的预测以及seq2seq模型概率计算等问题中均用到了该算法.实际上,维特比算法不 ...
维特比算法(viterbi)原理以及简单实现
维特比算法看一下维基百科的解释,维特比算法(Viterbi algorithm)是一种动态规划算法.它用于寻找最有可能产生观测事件序列的维特比路径--隐含状态序列,特别是在马尔可夫信息源上下文和隐马 ...
C语言维特比算法,viterbi维特比算法
维特比算法:使用动态规划,找出最短路径以下以图的形式来解释: 图的节点按列组织,每列的节点数量可以不一样,每一列的节点只能和相邻列的节点相连,不能跨列相连,节点之间有着不同的距离,距离的值就不在图上 ...
隐马尔科夫模型(HMMs)之五：维特比算法及前向后向算法
维特比算法(Viterbi Algorithm) 找到可能性最大的隐藏序列通常我们都有一个特定的HMM,然后根据一个可观察序列去找到最可能生成这个可观察序列的隐藏序列. 1.穷举搜索我们可以在下图 ...
em算法怎么对应原有分类_[PRML]序列数据 HMM维特比算法及扩展
序列数据相关文章:1.马尔可夫模型2.隐马尔可夫模型简介3.HMM最大似然4.HMM前向后向算法5.HMM和积算法与尺度因子 1 维特比算法在隐马尔可夫模型的许多应用中,潜变量有一些有意义的解释,因 ...
基于维特比算法的概率路径
简介: 维特比算法(Vieterbi algorithm)是一种动态规划算法,探索出很多预测天气的方法,这种基于经验的预测方式,是一种基于历史数据的概率模型. 思想维特比算法的思想是假设某一个数据的 ...

机器学习：维特比算法（Viterbi Algorithm）

一、维特比算法（Viterbi Algorithm）讲解方式01：篱笆网络（Lattice）的最短路径问题

二、维特比算法（Viterbi Algorithm）讲解方式02：分词算法

机器学习：维特比算法（Viterbi Algorithm）相关推荐

最新文章

热门文章