一个隐马尔科夫模型的应用实例：中文分词

什么问题用HMM解决

现实生活中有这样一类随机现象&＃xff0c;在已知现在情况的条件下&＃xff0c;未来时刻的情况只与现在有关&＃xff0c;而与遥远的过去并无直接关系。

比如天气预测&＃xff0c;如果我们知道“晴天&＃xff0c;多云&＃xff0c;雨天”之间的转换概率&＃xff0c;那么如果今天是晴天&＃xff0c;我们就可以推断出明天是各种天气的概率&＃xff0c;接着后天的天气可以由明天的进行计算。这类问题可以用 Markov 模型来描述。

如此遍历下来&＃xff0c;weight[4][15] 和 path[4][15] 就都计算完毕。

确定边界条件和路径回溯

边界条件如下&＃xff1a;

对于每个句子&＃xff0c;最后一个字的状态只可能是 E 或者 S&＃xff0c;不可能是 M 或者 B。
所以在本文的例子中我们只需要比较 weight[1(E)][14] 和 weight[3(S)][14] 的大小即可。

在本例中&＃xff1a;

weight[1][14] &＃61; -102.492;

weight[3][14] &＃61; -101.632;

所以 S > E&＃xff0c;也就是对于路径回溯的起点是 path[3][14]。

进行回溯&＃xff0c;得到序列 

SEBEMBEBEMBEBEB。

再进行倒序&＃xff0c;得到 

BEBEBMEBEBMEBES

接着进行切词得到 

BE/BE/BME/BE/BME/BE/S

最终就找到了分词的方式 

小明/硕士/毕业于/中国/科学院/计算/所

HMM还有哪些应用

HMM不只用于中文分词&＃xff0c;如果把 S 换成句子&＃xff0c;O 换成语音信号&＃xff0c;就变成了语音识别问题&＃xff0c;如果把 S 换成中文&＃xff0c;O 换成英文&＃xff0c;就变成了翻译问题&＃xff0c;如果把 S 换成文字&＃xff0c;O 换成图像&＃xff0c;就变成了文字识别问题&＃xff0c;此外还有词性标注等等问题。

对于上述每种问题&＃xff0c;只要知道了五元组中的三个参数矩阵&＃xff0c;就可以应用 Viterbi 算法得到结果。