信息抽取2

信息抽取2内容摘要：

的概率是多少。  说得更抽象些，令对应 t=1,2,… ,8观察序列为 O={ } 3S 1S 2S3S 3S 3S1S28 1 ( ) ( ) ( ) ( ) ( ) ( ) ( )       10 1 ( ) ( ) ( ) ( ) ( ) ( ) ( )      29 Hidden Markov ModelsHMM  HMM是一个双重随机过程，两个组成部分：  马尔可夫链 ： 描述状态的转移，用 转移概率 描述。  一般随机过程 ： 描述状态与观察序列间的关系， 用 观察值概率 描述。 30 HMM组成 Markov链 （ , A） 随机过程 （ B） 状态序列 观察值序列 q1, q2, ..., qT o1, o2, ..., oT HMM的组成示意图 31 HMM  Graphical Model Representation: Variables by time  Circles indicate states  Arrows indicate probabilistic dependencies between states 32 HMM  Green circles are hidden states  Dependent only on the previous state: Markov process  “The past is independent of the future given the present.” 33 HMM  Purple nodes are observed states  Dependent only on their corresponding hidden state 34 HMM的基本要素  {N,M, ∏, A, B}  N : {s1…s N } are the values for the hidden states  M : {k1…k M } are the values for the observations S S S K K K S K S K 35 HMM的基本要素  {N, M, ∏ , A, B}  ∏ = {pi} are the initial state probabilities  A = {aij} are the state transition probabilities  B = {bik} are the observation state probabilities A B A A A B B S S S K K K S K S K 36 HMM的应用 (1) 评估 根据已知的 HMM找出一个观察序列的概率 (2) 解码 根据观察序列找到最有可能出现的隐状态序列 (3) 学习 从观察序列中得出 HMM 37 HMM应用 (1)  给定观察序列 O=O1,O2,… OT,以及模型 , 计算 P(O|λ) ( , , )ABoT o1 ot ot1 ot+1 38 HMM应用 (1) ( | ) ( | , ) ( | )XP O P O X P X   oT o1 ot ot1 ot+1 x1 xt+1 xT xt xt1 1 1 2 2( | , ) ... TTx o x o x oP O X b b b 1 1 2 2 3 1( | ) ... TTx x x x x x xP X a a a 。