前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >自然语言处理 | 隐马尔可夫模型(1)

自然语言处理 | 隐马尔可夫模型(1)

作者头像
Defu Li
发布2018-08-20 14:59:01
5730
发布2018-08-20 14:59:01
举报
文章被收录于专栏:斜述视角

在讲隐马尔可夫模型前,先介绍一下什么是马尔可夫链。

马尔可夫链(Markov chain),又称离散时间马尔可夫链,因俄国数学家安德烈·马尔可夫得名,为状态空间中经过从一个状态到另一个状态转换的随机过程。该过程要求具备“无记忆”的性质:下一状态

的概率分布只能由当前状态

决定,与之前的状态无关。

即:

。这种特定类型的“无记忆性”称作马尔可夫性质。符合该性质的随机过程则称为马尔可夫过程,也称为马尔可夫链。

马尔可夫过程——“程序猿心情状态”案例:

假设有一只程序猿,它每天心情状态有三种:心情舒畅good、心情一般normal、心情糟糕bad。状态间的转移是存在某个概率的。如下图所示:

程序猿心情状态图

代表心情舒畅状态、

代表心情一般状态、

代表心情糟糕状态。

上图表示从当前状态

转移到下一时刻状态

的概率为0.9,当前状态

转移到下一时刻状态

的概率为0.1,当前状态

转移到下一时刻还是自身的概率为0.7,当前状态

转移到下一时刻状态

的概率为0.3,当前状态

转移到下一时刻状态

的概率为1。

即为:

一个含有N个状态的马尔可夫链有

个状态转移。这所有的

个概率可以用一个状态转移矩阵A来表示:

这个状态转移矩阵A表示,如果在t时刻该程序猿的心情状态是舒畅,则在t+1时刻的心情状态是舒畅、一般、糟糕的概率分别为(0,0.9,0.1)。

好,马尔可夫模型介绍完毕,下期我将娓娓道来隐马尔可夫模型,其中包括一个假设,三个问题。敬请期待。


文章参考自:

1、吴军《数学之美》第二版;

2、博客园,我是8位的,隐马尔可夫模型(一);

3、博客园,bonelee,隐形马尔可夫模型——前向算法就是条件概率。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2018-07-25,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 斜述视角 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档