隐马尔可夫模型在命名实体识别中的实战：从古典方法到现代创新

 

## 一、穿越时空的实体捕手：HMM的独特魅力

### 1.1 为什么选择HMM处理NER？
- **时序建模专家**：完美捕捉词语序列的上下文依赖
- **数学优雅性**：基于概率图模型的清晰理论框架
- **计算高效性**：维特比算法的时间复杂度O(N²T)
- **数据友好型**：在小数据集上表现优于深度学习模型

### 1.2 实体识别经典案例场景
```python
# 新闻文本示例
text = "马云在杭州宣布阿里巴巴将投资100亿元建设新加坡研发中心"

# 期望输出
entities = [
    {"text": "马云", "type": "PER", "start":0, "end":2},
    {"text": "杭州", "type": "LOC", "start":3, "end":5},
    {"text": "阿里巴巴", "type": "ORG", "start":7, "end":11},
    {"text": "新加坡", "type": "LOC", "start":18, "end":21}
]
```

---

## 二、HMM核心原理揭秘

### 2.1 五元组模型解析
```python
class HMM:
    def __init__(self):
        self.states = {'