条件随机域(场)(conditional random fields,简称 CRF,或CRFs),是一种判别式概率模型,是随机场的一种,常用于标注或分析序列资料,如自然语言文字或是生物序列。 如同马尔可夫随机场,条件随机场为具有无向的图模型,图中的顶点代表随机变量,顶点间的连线代表随机变量间的相依关系,在条件随机场中,随机变量 Y 的分布为条件机率,给定的观察值则为随机变量 X。原则上,条件随机场的图模型布局是可以任意给定的,一般常用的布局是链结式的架构,链结式架构不论在训练(training)、推论(inference)、或是解码(decoding)上,都存在效率较高的算法可供演算。
基础 | 长文详解基于并行计算的条件随机场
黑龙江大学自然语言处理实验室
6+阅读 · 2018年6月9日
专栏 | NLP专题论文解读:从Chatbot到NER
机器之心
17+阅读 · 2017年11月9日
机器学习入门、核心模型、项目实战,一文搞懂
计算机视觉life
0+阅读 · 2020年9月21日
面试AI算法岗,你被要求复现顶会了嘛?
PaperWeekly
0+阅读 · 2019年11月11日
【NLP】十分钟快览自然语言处理学习总结
专知
17+阅读 · 2017年11月21日
CRF用过了,不妨再了解下更快的MEMM?
PaperWeekly
0+阅读 · 2020年2月24日
【实践】BiLSTM上的CRF,用命名实体识别任务来解释CRF(1)
深度学习自然语言处理
3+阅读 · 2020年4月2日
全网最具有挑战的NLP训练营是什么样的?
PaperWeekly
2+阅读 · 2019年6月8日
全景分割研究综述
专知
0+阅读 · 2020年12月25日
参考链接
微信扫码咨询专知VIP会员