x_yz_的专栏

1、GeniaTagger : POS tagging, shallow parsing, and named entity recognition for biomedical text2、CoreNLP :  POS tagger, the named entity recognizer (NER), the parser, and the coreference resolution

MEMMs：最大熵马尔科夫模型转移概率： HMMs：隐马尔科夫模型转移概率（可以把转移概率和发射概率合起来看作转移概率）：MEMMs可以利用更多的特征，如大小写，词缀，前后词等等，即可以很好的利用上下文MEMMs的参数估计很费力，但是对于很多NLP任务是可以解决的。

1、语言模型的定义 ：    符号含义：        V-->语言中所有单词的集合，且为有限集；        -->语言中的句子，且n>=1，，为特殊符号STOP（假设STOP不在V中）；        -->有限集V上的所有句子的集合，为无限集，包含只有一个特殊符号STOP的句子。    正式定义：        语言模型由有限集V和概率函数组成，且满足，

AI (artificial intelligence) 人工智能anaphora 照应语：如 it，these people，the target genesantecedent 先行词：照应语所指代的词apposition 同位语：Lily，a seven-year-old girl，obtains the first place in the competition。Lily

如有错误，欢迎指正word版证明：Jensen不等式及其证明.docxhttp://download.youkuaiyun.com/detail/x_yz_/5362227

NLP：Natural Language Processing，自然语言处理Anaphora Resolution：the problem of resolving what a pronoun, or a noun phrase refers toAnaphora 回指，亦称指示性指代：所谓回指是当前的指示语与上下文中出现的词、短语、句子(句群)存在密切的语义关联;Coreferen

隐马尔科夫模型（HMM）：图1. 隐马尔科夫模型隐马尔科夫模型的缺点：        1、HMM只依赖于每一个状态和它对应的观察对象：              序列标注问题不仅和单个词相关，而且和观察序列的长度，单词的上下文，等等相关。        2、目标函数和预测目标函数不匹配：              HMM学到的是状态和观察序列的联合分布P(Y,X)，而预