条件随机场经常被用于序列标注，其中包括$词性标注，分词，命名实体识别$等领域。(yes我会标红了)

1 NER任务介绍

NER更多介绍看这里

对以下NER任务，进行命名实体识别

我 去 北 京

其本质上就是一个序列标注任务，根据BIESO标注方案，可以对于每一个字进行打标签

序号	标注	含义
0	B	实体的开端
1	I	实体中间
2	E	实体的结尾
3	S	单个字作为实体
4	O	不作为任何实体

所以对于 我去北京 这句话进行实体识别，就是为了找到这样的标注：

2 CRF in NER

关于CRF原理

2.1定义特征函数

对于一个特征函数，需要接受四个参数：

• 句子s（也就是输入的句子s）
• $i$，句子s的第 i 个字
• $l_i$,标注序列中给第 i 个字的标注
• $l_{i-1}$,标注序列中给第 i-1 个字的标注

其输出是0或者1，但符合这个特征就是1，反之则0。特征通常是自定义的,如下例子。
$f1=1:当l_{i-1}是B-ORG$且i是“中”，可能中国的机构实体

可以使用CRF++，是具体实现CRF实体识别的一个工具，CRF++里的特征获取方式是通过特征模版匹配训练语料产生的，因此，扫描语料中的每一个词，循环匹配模板库中的每一个模版，将匹配到的特征加入到特征集，这样就构成了CRF的特征集。https://blog.csdn.net/qq_35014150/article/details/73826930

2.2 特征函数到概率

定义完一组特征函数之后，在对特征进行赋权，然后可以对这个标注序列进行评分。

• 内层求和函数：句子s中每个字的对于特征值$f_j$的和
• 外层求和函数：所有特征函数$f_j$的和。

2.3 指数化和归一化

对这个分数进行指数化和标准化，我们就可以得到标注序列l的概率值$p(l|s)$

这样，一个CRF就建立完成了。通过维特比算法，寻找概率最大的标注序列，即完成预测过程。