本文从建模角度出发，通过概率图模型分析隐马尔可夫，条件随机场，文章重点在模型建立理论基础
1. 什么是概率图模型
用图来表示变量概率依赖关系的理论，集合概率论图图论知识，利用图来表示与模型有关的变量的联合概率分布。
2. 常见概率图模型分类
图模型的分类标准有：根据边有无无方向的分类，根据表示的抽象级别的分类，一般常见概率图模型分为概率有向图，概率无向图2类；概率有向图有常见的隐马尔可夫模型(Hidden Markov model, HMM)，卡尔曼滤波器(Kalman filter)；常见的概率无向图有波兹曼机(Boltzman machnie)，局部有向模型，即同时存在有向边与无向边，比如条件随机场(Conditional random field, CRF)。概率有向图模型适合为有单向依赖的数据建模，而概率无向图模型适合实体之间有相互依赖的数据建模
3. 有向图、无向图、部分有向图
3.1 图1有向图，就是隐马尔可夫模型，起对应两个假设：
齐次马尔科夫假设，假设隐藏的马尔可夫链在任意时刻t的状态只依赖于前一时刻的状态，与其他因素无关
观测独立性假设，假设任意时刻的观测只依赖于该时刻的马尔可夫链的状态，与其他因素无关依据上面两个假设，图1所示图模型的联合分布概率
3.2 假设隐藏状态y(也简称为，状态序列，词性标注任务中样本数据的标签，词性标志tag)取值有N种可能，可能的观测变量x ( 词性标注中的样本数据，也就是中文词 )有M个可能取值，通过上述表达式可以推断出，HMM模型三要素：
3.2.1. 转移矩阵
3.2.2. 观测矩阵(发射矩阵)
3.2.3. 初始状态概率向量
3.3 HMM三个问题
模型学习，学习问题分为带状态序列的有监督学习，以及不带状态序列的无监督学习
概率计算问题，给定模型，观测序列，计算该序列出现概率
预测问题，已知模型参数，以及观测序列，求解该观测序列对应的最佳隐藏状态序列3.3.1. 模型学习
a). 训练阶段包含隐藏状态 — 极大似然估计，不展开
b). 训练阶段包不含隐藏状态 — Baum-Welch算法
3.3.2. 概率计算问题
3.3.3. 预测问题 — 维特比算法
实质是用动态规划求概率最大路径问题，假设最优路径在t时刻经过结点i，那么结点i到终点的部分路径，相较于从i到终点的所有可能部分路径来说，必须是最优的，否则矛盾。
4. 马尔科夫随机场概念
5 条件随机场
5.1 建模
条件随机场建模都提到了无向图模型，给出的理由是，无向图的联合概率分布可以通过最大团（团中任意两结点间有连线）的随机变量函数的乘积形式做因子分解，也就是严格正值势函数的连乘形式。那么模型的联合概率分布就得到了，根据条件概率公式等到条件分布概率。
已知无向图通过最大团的因子分解表达式：
，那么条件分布概率：
这是CRF建模理论基础
5.2 模型学习
概率模型学习的一个准则就是最大熵模型；条件随机场给出的条件分布概率就是一个最大熵模型。通过最大熵模型学习方式改进的迭代尺度法、牛顿法、拟牛顿法、梯度下降方法都可以求得该模型(凸函数)的全局最优解。
6 有向图模型与无向图模型的对比
6.1 共同之处
将复杂的联合分布分解为多个因子的乘积
6.2 不同之处
有向图模型因子是概率分布、无需全局归一
无向图模型因子是势函数，需要全局归一
6.3 优缺点
无向图模型中势函数设计不受概率分布约束，
设计灵活，但全局归一代价高
有向图模型无需全局归一、训练相对高效
参考：
李航 统计学习方法
