读《数学之美》
  • 读《数学之美》
  • 第 0 章 序言 前言
  • 第 1 章 文字和语言 vs 数字和信息
  • 第 2 章 自然语言规则——从规则到统计
  • 第 3 章 统计语言模型
  • 第 4 章 谈谈中文分词
  • 第 5 章 隐含马尔可夫模型
  • 第 6 章 信息的度量和作用
  • 第 7 章 贾里尼克和现代语言处理
  • 第8章 简单之美——布尔代数和搜索引擎的应用
  • 第 9 章 图论和网络爬虫
  • 第 10 章 PageRank——Google民主表决式网页排名技术
  • 第 11 章 如何确定网页和查询的相关性
  • 第 12 章 地图和本地搜索的最基本技术
  • 第 13 章 Google ak-47 的设计者
  • 第 14 章 余弦定理和新闻分类
  • 第 15 章 矩阵运算和文本处理中的两个分类问题
  • 第 16 章 信息指纹及其应用
  • 第 17 章 谈谈密码学的数学原理
  • 第 18 章 闪光的不一定是金子——谈谈搜索引擎
  • 第 19 章 谈谈数学模型的重要性
  • 第 20 章 谈谈最大熵模型
  • 第 21 章 拼音输入法的数学原理
  • 第 22 章 自然语言处理的教父马库斯和他的优秀弟子们
  • 第 23 章 布隆过滤器
  • 第 24 章 马尔科夫链的扩展——贝叶斯网络
  • 第 25 章 条件随机场和句法分析
  • 第 26 章 维特比和他的维特比算法
  • 第 27 章 再谈文本自动分类问题——期望最大化EM
  • 第 28 章 逻辑回归和搜索广告
  • 第 29 章 各个击破算法和Google云计算的基础
Powered by GitBook
On this page
  • 条件随机场
  • 小结

第 25 章 条件随机场和句法分析

条件随机场

条件随机场 (Conditional Random Fields,CRF)与贝叶斯网络有点相似,贝叶斯网络是一个有向图,而条件随机场是无向图,用来计算或者建模联合概率密度。通常先采用可以统计或计算出的边缘分布,而满足这些边缘分布的概率分布函数可能很多,所以通过最大熵原则选出符合所有边缘概率分布并熵达到最大的的模型。

小结

条件随机场用于预测的统计模型,在模式识别、机器学习、生物统计等方面。和最大熵模型一样,条件随机场形式简单,但实现复杂。

Previous第 24 章 马尔科夫链的扩展——贝叶斯网络Next第 26 章 维特比和他的维特比算法

Last updated 6 years ago