条件随机场 简介
一、总结
一句话总结：
【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】。
条件随机场(CRF)由Lafferty等人于2001年提出，结合了【最大熵模型】和【隐马尔可夫模型】的特点，是一种【无向图模型】，近年来在分词、词性标注和命名实体识别等序列标注任务中取得了很好的效果。
条件随机场是条件概率分布模型 P(Y|X) ，【表示的是给定一组输入随机变量 X 的条件下另一组输出随机变量 Y 的马尔可夫随机场】，也就是说 CRF 的特点是【假设输出随机变量构成马尔可夫随机场】。条件随机场可被看作是最大熵马尔可夫模型在标注问题上的推广。
1、条件随机场 用途？
“条件随机场”被用于【中文分词和词性标注等词法分析工作】，一般序列分类模型常常采用隐马尔可夫模型（HMM），像基于类的中文分词。
例如在词性标注任务中，【两个动词相连我们可以给负分】
2、条件随机场 实例？
1、假设我们有Bob一天从早到晚的一系列照片，Bob想考考我们，要我们【猜这一系列的每张照片对应的活动】，比如: 工作的照片，吃饭的照片，唱歌的照片等等。
2、一个比较直观的办法就是，我们找到Bob之前的日常生活的一系列照片，然后找Bob问清楚这些照片代表的活动标记，这样我们就可以用监督学习的方法来训练一个分类模型，比如逻辑回归，接着用模型去预测这一天的每张照片最可能的活动标记。这种办法虽然是可行的，但是却【忽略】了一个重要的问题，就是这些照片之间的顺序其实是有很大的【时间顺序关系】的，而用上面的方法则会忽略这种关系。
3、比如我们现在看到了一张Bob闭着嘴的照片，那么这张照片我们怎么标记Bob的活动呢？比较难去打标记。但是如果我们有Bob在这一张照片前一点点时间的照片的话，那么这张照片就好标记了。【如果在时间序列上前一张的照片里Bob在吃饭，那么这张闭嘴的照片很有可能是在吃饭咀嚼。而如果在时间序列上前一张的照片里Bob在唱歌，那么这张闭嘴的照片很有可能是在唱歌。】
4、为了让我们的分类器表现的更好，可以在标记数据的时候，可以【考虑相邻数据的标记信息】。这一点，是普通的分类器难以做到的。而这一块，也是【CRF比较擅长】的地方。在实际应用中，自然语言处理中的词性标注(POS Tagging)就是非常适合CRF使用的地方。词性标注的目标是【给出一个句子中每个词的词性（名词，动词，形容词等）】。而这些词的词性往往和上下文的词的词性有关，因此，使用CRF来处理是很适合的，当然CRF不是唯一的选择，也有很多其他的词性标注方法。
3、词性标注 是什么？
词性标注的目标是【给出一个句子中每个词的词性（名词，动词，形容词等）】。而这些词的词性往往和上下文的词的词性有关，因此，使用CRF来处理是很适合的，当然CRF不是唯一的选择，也有很多其他的词性标注方法。
二、条件随机场 简介
感觉百度百科还说的蛮浅显易懂的
地址：https://baike.baidu.com/item/%E6%9D%A1%E4%BB%B6%E9%9A%8F%E6%9C%BA%E5%9C%BA/10804560?fr=aladdin
1、简介
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。
条件随机场(CRF)由Lafferty等人于2001年提出，结合了最大熵模型和隐马尔可夫模型的特点，是一种无向图模型，近年来在分词、词性标注和命名实体识别等序列标注任务中取得了很好的效果。
条件随机域（场）（conditional random fields，简称 CRF，或CRFs），是一种判别式概率模型，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。 [1] 条件随机场是条件概率分布模型 P(Y|X) ，表示的是给定一组输入随机变量 X 的条件下另一组输出随机变量 Y 的马尔可夫随机场，也就是说 CRF 的特点是假设输出随机变量构成马尔可夫随机场。条件随机场可被看作是最大熵马尔可夫模型在标注问题上的推广。
如同马尔可夫随机场，条件随机场为具有无向的图模型，在条件随机场中，随机变量Y 的分布为条件机率，给定的观察值则为随机变量 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，都存在效率较高的算法可供演算。条件随机场是一个典型的判别式模型，其联合概率可以写成若干势函数联乘的形式，其中最常用的是线性链条件随机场。
2、用途
“条件随机场”被用于中文分词和词性标注等词法分析工作，一般序列分类模型常常采用隐马尔可夫模型（HMM），像基于类的中文分词。
假设我们有Bob一天从早到晚的一系列照片，Bob想考考我们，要我们猜这一系列的每张照片对应的活动，比如: 工作的照片，吃饭的照片，唱歌的照片等等。一个比较直观的办法就是，我们找到Bob之前的日常生活的一系列照片，然后找Bob问清楚这些照片代表的活动标记，这样我们就可以用监督学习的方法来训练一个分类模型，比如逻辑回归，接着用模型去预测这一天的每张照片最可能的活动标记。这种办法虽然是可行的，但是却忽略了一个重要的问题，就是这些照片之间的顺序其实是有很大的时间顺序关系的，而用上面的方法则会忽略这种关系。比如我们现在看到了一张Bob闭着嘴的照片，那么这张照片我们怎么标记Bob的活动呢？比较难去打标记。但是如果我们有Bob在这一张照片前一点点时间的照片的话，那么这张照片就好标记了。如果在时间序列上前一张的照片里Bob在吃饭，那么这张闭嘴的照片很有可能是在吃饭咀嚼。而如果在时间序列上前一张的照片里Bob在唱歌，那么这张闭嘴的照片很有可能是在唱歌。
为了让我们的分类器表现的更好，可以在标记数据的时候，可以考虑相邻数据的标记信息。这一点，是普通的分类器难以做到的。而这一块，也是CRF比较擅长的地方。在实际应用中，自然语言处理中的词性标注(POS Tagging)就是非常适合CRF使用的地方。词性标注的目标是给出一个句子中每个词的词性（名词，动词，形容词等）。而这些词的词性往往和上下文的词的词性有关，因此，使用CRF来处理是很适合的，当然CRF不是唯一的选择，也有很多其他的词性标注方法。
例如在词性标注任务中，两个动词相连我们可以给负分