应用
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。若让x=(x1，x2，…xn)表示被观察的输入数据序列，y=(y1，y2，…yn)表示一个状态序列，在给定一个输入序列的情况下，线性链的CRF模型定义状态序列的联合条件概率为
Z(x)={}(2-15)
其中：Z是以观察序列x为条件的概率归一化因子；fj(yi-1，yi，x，i)是一个任意的特征函数；是每个特征函数的权值。
基本元素
HMM中，有5个基本元素：{I,O,A,B,π}，我结合序列标志任务对这5个基本元素做一个介绍：
(1)I：状态序列。在这里，是指每一个词语背后的标注。
(2)O：观测序列。在这里，是指每一个词语本身。
(3)A：转移特征函数(状态转移概率矩阵)：λktk(yi−1,yi,x,i),k为特征个数
(4)B：状态特征函数(观测概率矩阵)：ulsl(yi,x,i)，l为特征个数
