任何人推荐一个有条件的随机领域的好教程
我一直在试图find一个有条件的随机场的好教程，还没有find一个没有开始把我的大脑陷入崩溃。 我对HMM有很好的把握，并且我区分了区分性和生成性模型……但是到目前为止，我还没有find一个可以对HMM和CRF进行比较的资源，这对我来说是有意义的。 任何援助将不胜感激。
我发现的最好的资源之一实际上是Christopher Bishop的模式识别和机器学习 （我强烈推荐，顺便说一下）关于马尔可夫随机场（CRF是专门的马尔可夫随机场）的一节。它甚至有一个例子，我相信你现在已经注意到这个话题是难以置信的。 现在，我必须规定，本节不会给你对CRF的完整理解，但是希望至less它能帮助你浏览那些危险的CRF教程。
除此之外，我还没有发现任何东西，但关于这个问题的麻木学术论文。 以下是我发现有帮助的一些：
-
用于关系学习的条件随机场介绍 – 这个是相当透彻的。
-
条件随机场：分段和标记序列数据的概率模型 – 这是最初概述CRF框架的论文。 我觉得阅读起来要比后面的阅读要容易一些。 它还将CRF与HMM和MEMM进行比较（包括图表）。
对不起，这就是我可以贡献的一切。 我仍然试图自己掌握CRF。
经典概率模型和条件随机场
这是迄今为止我遇到的最好的教程。 正如标题所暗示的，它首先build立在更熟悉的模型（包括朴素贝叶斯，隐马尔可夫模型和最大熵）的基础之上并开发CRM思想。 颜色和数字的使用也增加了可理解性。
对CRF 最令人敬畏的介绍。
此外， 这个教室的讲义很好地解释了Linear-chain CRF的“符号”。
Charles Elkan教授（UCSD）给出的CRF非常有趣的video教程： http ： //videolectures.net/cikm08_elkan_llmacrf
讲义可以从他的主页下载： http : //cseweb.ucsd.edu/users/elkan/250B/cikmtutorial.pdf
干杯! Hung Ngo。
我也会推荐这个博士论文，它有一个关于graphics模型的章节和一个关于CRF的章节。 它介绍了理解CRF所必需的所有概念。
更新：replace链接，如果链接再次刹车，博士论文的标题是“缩放条件随机场进行自然语言处理”。 我还要补充一下，它讨论了HMM和CRF之间的区别。
Sha＆Pereira 在这里也是“用CRF浅parsing”
