隐马尔可夫分词

超人汪小建(seaboat)

于 2018-11-22 08:37:41 发布

阅读量611

点赞数

CC 4.0 BY-SA版权

文章标签：自然语言处理分词 nlp 隐马尔科夫 hmm

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/wangyangzhizhou/article/details/84333083

自然语言处理同时被 2 个专栏收录

37 篇文章 ¥79.90 ¥99.00

订阅专栏

超级会员免费看

340 篇文章

订阅专栏

本文介绍了如何使用隐马尔科夫模型(HMM)进行自然语言处理中的分词任务。首先解释了HMM的基本概念，包括转移概率、观测概率和初始状态概率，然后详细阐述了序列标签的BMES方法。接着，提供了HMM模型的训练和预测代码实现，以及Viterbi解码算法在解码过程中的应用。最后，给出了项目源码的GitHub链接。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言

虽然目前 nlp 很多任务已经发展到了使用深度学习的循环神经网络模型和注意力模型，但传统的模型咱们也一样要了解。这里看下如何使用隐马尔科夫模型(HMM)进行分词。

隐马尔科夫模型

隐马尔科夫模型是一种有向图模型，图模型能清晰表达变量相关关系的概率，常见的图模型还有条件随机场，节点表示变量，节点之间的连线表示两者相关概率。用以下定义来描述HMM模型，

设系统所有可能的状态集合为 $S = \{s_1,s_2,...s_n\}$

了解本专栏

超级会员免费看

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

打赏作者

超人汪小建(seaboat) 你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。