转：CRF++总结1

 

文章出处：http://blog.sina.com.cn/s/blog_5980285201018ijz.html

先贴一个类图吧：

再贴一个函数调用图：

需要注意的地方也不多：

 

最需要注意的是TaggerImpl::gradient()函数

1. 首先调用buildLattice函数来构造出一个表

buildLattice函数调用 rebuildFeatures函数

在rebuildFeatures函数中，建立了tagger需要的node_矩阵，同时填充了path信息。

重要需要关注的是node类：

2. buildLattice函数接下来调用calcCost()函数

分别对应于论文【条件随机场理论综述，韩雪冬，周彩根】中公式（55）的第一项和第二项：

（注意，这里已经都经过了取对数的处理）

从公式中可以看到， Node和Path的cost是对应的特征的权重的和，这在代码 calcCost(Node *)和calcCost(Path *)中体现的很明显

 

 

3.gradient函数接下来调用forwardbackward函数

calcAlpha, calcBeta

这里的Alpha和Beta分别对应于论文【条件随机场理论综述，韩雪冬，周彩根】中公式（59，60）中的Alpha, Beta.

计算如下是：

 

这几个公式在代码中体现的都很明显，Alpha和Beta是用动态规划的方法进行计算(跟HMM如出一辙)

Z是partition function，等于所有M矩阵的乘积，在代码中体现也很明显

 

 

4.gradient函数接下来调用calcExpectation函数

Node和Path对应的expectation都是用论文【条件随机场理论综述，韩雪冬，周彩根】中公式（61）

 

5.计算梯度

根据论文【条件随机场理论综述，韩雪冬，周彩根】中公式（52）来计算梯度

 

公式中的第一项已经在代码的calcExpectation中加上去了

公式中的第二项体现在gradient函数中的两个地方：

--expected[*f + answer_[i]];  //对应于unigram

--expected[*f +(*it)->lnode->y * ysize_ +(*it)->rnode->y]; //对应于bigram

 

 

5.gradient函数接下来调用viterbi函数

这个跟HMM中的viterbi函数是一样的，略过

 

 

 

6.gradient的目标函数

目标函数是似然函数的相反数

似然函数定义如下：论文【条件随机场理论综述，韩雪冬，周彩根】中公式（49）

 

代码中的体现如下：

return Z_ - s;

转载于:https://www.cnblogs.com/zhangdongdong/archive/2012/12/21/2828566.html