第4章 NLP基础——4.7，4.8 隐马尔可夫模型

1.马尔可夫过程（Markov process）

（1）是一类随机过程

（2）在已知目前状态的条件下，它未来的演变不依赖于它以往的演变。主要研究一个系统的状况及其转移的理论。它是通过对不同状态的初始概率以及状态之间的转移概率的研究，来确定状态的变化趋势，从而达到对预测未来的目的。

       无后效性，便利性

（3）马尔科夫链Markov chain是指具有马尔科夫性质的离散事件随机过程，即时间和状态参数都是离散的马尔科夫过程，是最简单的马尔科夫过程。

2.隐马尔可夫模型（Hidden Markov Model, HMM）

（1）作为一种统计分析模型，创立于20世纪70年代

（2）是结构最简单的动态贝叶斯网，是一种著名的有向图模型，主要用于时序数据建模（语音识别、自然语言处理等）。

（3）HMM是隐马尔可夫链的一种，它的状态不能直接观察到，但能通过观测向量序列观察到，每个观测向量都是通过某些概率密度分布表现为各种状态，每一个观测向量是由一个具有相应概率密度分布的状态序列产生。

3.应用场景

（1）中文分词

（2）机器翻译

（3）语音识别

（4）通信中的译码

马尔科夫随机场，无向图模型，不讲。

4.隐马尔可夫实现命名实体识别