隐马尔可夫模型（HMM）实现分词

隐马尔可夫模型（HMM）实现分词

最近在调研分词的一些工作，又重新看了一遍HMM，发现原来之前看过的，竟然给忘的干干净净！之前看的，真是喂了狗了，于是决定把这次的理解记录下来，俗话说，好记性不如赖笔头嘛。第一次写博客，以下纯属个人理解，如果有误，请指正～

模型的定义

HMM（Hidden Markov Model）是关于时序的概率图模型，由一个隐藏的不可观测的状态随机序列，再由各个状态生成一个观测值而产生观测随机序列的过程。

隐藏的状态序列称为状态序列（state sequence），生成的观测随机序列称为观测序列（observation sequence）

隐马尔可夫模型的图结构：

[y1, y2 …. yi, yn] 是状态序列，[x1, x2 …. xi, xn]是观测序列，yi 表示在 i 时刻的状态值， xi 表示在 i 时刻的观测值。

怎么确定一个模型？

HMM有两个假设：

1）任一时刻的状态只依赖前一时刻的状态
2）任意时刻的观测值，只与该时刻的状态值有关

从网络图中看的话，即，xi 只与 yi 有关， yi 只与 y(i-1)有关

那么问题来了，我们怎么确定一个模型呢？确定一个HMM模型，我们需要知道什么样的信息？

1）首先我们得知道，yi 和 xi 都能取什么样的值吧，也就是状态集合和观测值集合。

2）有了状态集合，我们回到假设1，任意时刻的状态只依赖前一时刻的状态，那我们是不是需要知道每个状态之间的转换概率？这个概率就被称为状态转移概率。

3）状态之间的转移概率有了，那么我们是不是还需要知道模型在初始时刻各状态出现的概率？就是所谓的初始状态概率。

4）回到假设2，任意时刻的观测值，只与该时刻的状态值有关，那么我们是不是要知道，在一个状态下，所对应的各个观测值的概率？就是所谓的观测概率（也称发射概率）。

好了，有了以上信息，我们就可以确定一个HMM模型了。

总结一下，确定一个HMM模型，我们需要知道这个五元组:

StatusS