前言

条件随机场（Conditional Random Field，CRF）和隐马尔可夫模型（Hidden Markov Model，HMM）都是自然语言处理的基础模型，还有马尔可夫随机场什么什么的。我在初学的时候属于是被搞晕了。在讲CRF的时候还会提到马尔可夫随机场什么的，搞得我云里雾里。

经过一段时间的学习，对这几个东西的区别有了一些认识。进行了一下简单的梳理，希望对大家理解有一些帮助。但我个人的理解多半有些瑕疵，希望大家能批评指正。

一些基础概念

了解相关的基础概念是区分的关键，不想看的可以直接跳转到区别

马尔可夫性质

其含义是，当一个随机过程在给定现在状态及所有过去状态情况下，其未来状态的条件概率分布仅依赖于当前状态；换句话说，在给定现在状态时，它与过去状态（即该过程的历史路径）是条件独立的，那么此随机过程即具有马尔可夫性质。

上述是节自wiki百科，简单的来说——当前的状态只与上一时刻的状态相关，即满足下式：$$p\left(X_{n+1}=x_{n+1}|X_1=x_1,...,X_{n-1}=x_{n-1},X_n=x_n\right)=p\left(X_{n+1}=x_{n+1}|X_n=x_n\right)$$
这个公式说明的就是$X_{n+1}=x_{n+1}$的概率仅与$X_n=x_n$相关，与之前的状态无关。即，n+1时刻的状态仅与n时刻的状态相关，与再之前的状态无关。
举个简单的在NLP句子生成的例子——句子中某个单词出现的概率仅与前一个单词相关。比如现在有个句子 They came from 要预测后面的单词，就只会考虑from来生成一个单词。
上述也叫做一阶马尔可夫，它因为只考虑前一个状态，能力有限。因此可以类推到n阶马尔科夫。比如二阶马尔可夫可以表示为如下：$$p\left(X_{n+1}=x_{n+1}|X_1=x_1,...,X_{n-1}=x_{n-1},X_n=x_n\right)=p\left(X_{n+1}=x_{n+1}|X_{n-1}=x_{n-1},X_n=x_n\right)$$
n阶就是考虑前n个时刻的状态。

马尔可夫链

是指具有马尔可夫性质的随机过程。

隐马尔可夫

用来描述一个系统隐性状态的转移和隐性状态的表现概率(来描述一个含有隐含未知参数的马尔可夫过程)。HMM是个双重随机过程（doubly embedded stochastic process），一个是状态转移，另一个是由状态释放出观测值。
在序列标注（Sequence labelling）任务中，模型就是需要对状态序列进行标注。
一些我在公式上的理解——序列 $Q=(q_1,q_2,...,q_T)$ 是不可观测的（比如说是句子中每个单词的词性标注，这是无法直接观测得到的，且是模型的输出），并记所有可能状态的集合为 S = { o 1 , o 2 , . . . , o T } S=\{o_{1},o_{2},...,o_{T}\} S={ o1​,o2​,...,oT​} ，由它们产生一个可观测的观测随机序列（observation sequence） $O=(o_1,o_2,...,o_T)$ （比如说是句子中每个单词，这个是能观测的，且是模型的输入）
在标注的时候，我们想要完成的任务是给定一个句子 $O$，输出序列中每个单词的词性 $Q$，即：$$P(Q|O)=\frac{P(Q,O)}{P(O)}$$
$O$ 是显性的，所以 $P(O)$ 也是已知的，实际上是在对 $P(Q,O)$ 建模，涉及推导，就略过了。

详细的介绍可以看这些资料：

https://www.cnblogs.com/Determined22/p/6750327.html
https://zhuanlan.zhihu.com/p/111899116

随机场

在概率论中, 由样本空间 Ω = { 0 , 1 , … , G − 1 } Ω = \{0, 1, …, G − 1\} Ω={ 0,1,…,G−1} n取样构成的随机变量Xi所组成的 S = { X 1 , … , X n } S = \{X1, …, Xn\} S={ X1,…,Xn}。若对所有的 $\omega \in \Omega$ 下式均成立，则称 $\pi$ 为一个随机场。$\pi (\omega )>0$.

属于是太抽象了，我也不太理解。给一段百度百科的解释：当给每一个位置中按照某种分布随机赋予相空间的一个值之后，其全体就叫做随机场。我们不妨拿种地来打个比方。其中有两个概念：位置（site），相空间（phase space）。“位置”好比是一亩亩农田；“相空间”好比是种的各种庄稼。我们可以给不同的地种上不同的庄稼，这就好比给随机场的每个“位置”，赋予相空间里不同的值。所以，俗气点说，随机场就是在哪块地里种什么庄稼的事情。

主要了解一些随机场如：马尔可夫随机场(MRF)，吉布斯随机场(GRF)，条件随机场(CRF)和高斯随机场。

马尔可夫随机场

马尔可夫随机场，又被称为马尔可夫网络或者无向图模型。是一个生成式模型，表示一个联合概率分布。设有联合概率分布 $P(Y)$，它可以用无向图表示，若 $P(Y)$ 满足成对马尔可夫性、局部马尔可夫性和全局马尔可夫性这三个中的任意一个，就称此联合概率分布为马尔可夫随机场或者概率无向图模型。可以理解为：当前的节点只与与该节点直接链接的节点有关系，与随机场中其他的节点都没有关系。

详细的介绍可以看这些资料：

https://blog.csdn.net/weixin_52185313/article/details/120965299
https://www.bookstack.cn/read/huaxiaozhuan-ai/spilt.3.a1c8cb11a2e246b2.md
https://blog.csdn.net/watermelon12138/article/details/91571826

条件随机场

条件随机场针对无向图模型。是一个判别式模型，表示条件概率分布。条件随机场可被看作是最大熵马尔可夫模型在标注问题上的推广。
如果随机变量 $Y$ 构成一个由无向图 $G=(V,E)$ 表示的马尔可夫随机场，对任意节点 $v\in V$ 都成立，即$$P(Y_v|X,Y_w,w\ne v)=P(Y_v|X,Y_w,w\sim v)$$
则称条件概率分布 $P(Y|X)$ 为条件随机场。
其中：$w\ne v$ 其中 $w$ 表示除了 $v$ 以外的所有节点；$w\sim v$其中 $w$ 表示与 $v$ 相邻的节点

详细的介绍可以看这些资料：

https://www.bookstack.cn/read/huaxiaozhuan-ai/spilt.4.a1c8cb11a2e246b2.md
https://blog.csdn.net/watermelon12138/article/details/91571826
https://zhuanlan.zhihu.com/p/148813079
https://www.cnblogs.com/Determined22/p/6915730.html

线性链条件随机场

线性链条件随机场，即将条件随机场推广到特殊的图上面，不做过多的介绍。

区别

• Conditional random field (条件随机场) is a conditional 马尔科夫随机场，上文有讲
• 最主要的区别就是生成式模型与判别式模型的区别
  • 生成式模型拟合的是数据的表征，即数据分布 $P(x)$ 或者联合分布 $P(x,y)$
  • 判别式模型则直接学习类别之前的分类边界，即 $P(y|x)$，因此判别式模型并不知道训练数据集合的分布，只是找一个超平面做直截了当的损失最小化。
• 隐马尔科夫模型（HMM）和马尔科夫随机场都是 生成式模型，对 联合分布 进行建模。条件随机场是 判别式模型，对 条件分布 进行建模。
  • HMM是对 $P(Q,O)$ 建模(Q是隐性，O是显性)，上文有讲
  • 马尔科夫随机场，我也不太懂它算了个什么（应该和HMM差不多吧），后续搞懂了会做补充
  • 条件随机场是在求 $P(Y_v|X,Y_w,w\sim v)$，上文有讲
• 条件随机场计算 $P(Y|X)$，隐马尔科夫模型和马尔科夫随机场计算 $P(Y,X)$。
  • 预测问题的实质是计算 $P(Y|X=x)$，就是条件随机场的目标函数，因此相对来说条件随机场可能会准确一点。
  • 另外两个的目标函数是 $P(Y,X)$，因此它们可以被用来完成预测 $P(X|Y=y)$ 的任务。

详细的：
模型的区别
模型的区别
模型的区别
生成与判别的区别