我已经阅读了这个问题中链接的论文。我部分理解了。能有人帮我弄清楚如何实现它吗？

我假设特征是由某种启发式方法生成的。以词性标注器为例；也许通过查看训练数据发现'bird'在所有情况下都被标记为NOUN，所以生成特征f1(z_(n-1),z_n,X,n)如下：

(if x_n = 'bird' and z_n = NOUN then 1 else 0)

其中X是输入向量，Z是输出向量。在训练权重时，我们发现这个f1从未被违反，因此对应的权重\1（\代表lambda）在训练后会变为正值且相对较大。猜测特征和训练似乎都具有挑战性，但其他方面似乎直观明了。

我对如何将模型应用于未标记数据感到困惑。是否应该用一些任意标签初始化输出向量，然后在增加所有\ * f的总和的地方更改标签？

任何帮助都将不胜感激。

回答：

我不完全确定我是否正确理解了你的意思，但确实，在输出端，每个向量都增加了开始和结束符号。

你关于特征函数由某种启发式方法生成的说法也是正确的。通常的启发式方法是考虑所有可能的组合。在你的例子中，每对（单词，标签）都会有一个特征函数，导致特征数量非常多。一种常见的表达这些特征的方法是使用特征模板。

在评估模型时，你不需要关心归一化，所以你寻找的是给你最大分子项的序列。通常使用维特比算法来实现这一点，除非标签集非常大——或者在你的例子中是可能的标签数量很大——在这种情况下会使用近似方法。

条件随机场上的维特比算法与隐马尔可夫模型非常相似。你从序列的开始处开始，计算以手头单词结束的最大概率，即每个单词在所有前驱中的最大值，或者，由于只有一个前驱，即START符号。在下一步中，你遍历所有可能的标签，这些标签是你的预测的第二个元素，即z_2。未归一化概率的最大值可以从前驱节点的值计算得出，即你在第一步中计算的值和你的模型。特别是，你结合前驱的潜力、到所讨论节点的转换以及节点本身的潜力，并在所有前驱中找到最大值。是的，因为特征函数不限制对源端的依赖，你可以从中获取任何信息。

当你到达末尾时，你可以回溯以确定最大值是如何达到的。

我推荐阅读Rahul Gupta的报告以获取更多信息。