近年来，文本的情感分析一直都是自然语言处理领域所研究的热点问题；微博作为一种短文本，用词精炼而简洁，富含观点、倾向和态度。因此，识别微博的情感倾向具有重要的现实意义。提出一种基于SVM和CRF的情感分析方法，使用多种文本特征，包括词、词性、情感词、否定词、程度副词和特殊符号等，并选用不同的特征组合，通过多组实验使情感分析效果最优。实验显示，选用词性、情感词和否定词的特征组合时，SVM模型的正确率达到88.72%，选用情感词、否定词、程度副词和特殊符号的特征组合时，CRF模型的正确率达到9044%。

CRF++工具包（Linux&Windows版本）0.53版

matlab说话代码玛宝 基于边际的条件随机场参数学习。 概述 此实现大致与本文中描述的算法相对应： Justin Domke，《 IEEE模式分析交易》，2013年。 入门 确保您具有支持C ++ 11的编译器。 已知可以使用最新版本的g ++和clang ++。 如果需要并行处理，请安装openMPI和/或验证编译器是否支持openMP。 （可选；请参见下文） 下载。 转到主代码目录，然后以两种方式编辑make.sh脚本。 将compiler变量更改为适合您的系统的变量。 将mpi_compiler变量设置为系统的一个（默认情况下通常为OK）。 运行make.sh脚本。 这将编译libLBFGS并将其安装到本地目录，然后构建infer_MRF ， infer_CRF ， learn_CRF和（如果已安装MPI的话） learn_CRF_mpi可执行文件。 仔细阅读其中的一些内容，以了解您的工作状况。 阅读 。 请注意，Marbl已在Mac OS和Linux下进行了编译，但尚未在Windows下进行过测试。 如果您能够在Windows下进行编译，请发送有关如何进行编译的任何信息。 要

基于条件随机场对中文案件语料进行命名实体识别。在学习知识图谱理论课时，我们知道实体（Entity）是知识图谱的基本单位，也是承载信息的重要语言单位。实体识别是知识图谱应用的重要技术。目前实体识别主要有三种方法： 基于规则和词典的实体识别 基于统计机器学习的实体识别 基于深度学习神经网络的实体识别 条件随机场（Conditional random field，CRF）是一种条件概率分布模型 P(Y|X) ，表示的是给定一组输入随机变量 X 的条件下另一组输出随机变量 Y 的马尔可夫随机场。 CRF 是一个序列化标注算法（sequence labeling algorithm），接收一个输入序列如X=(x1, x2,…, xn)并且输出目标序列Y=(y1, y2,…, yn)  ，也能被看作是一种seq2seq模型。这里使用大写 X,Y 表示序列。例如，在词性标注任务中，输入序列为一串单词，输出序列就是相应的词性。 除了词性标注之外，CRF还可以用来做chunking，命名实体识别等任务。一般地，输入序列X被称为 observations, Y叫作 states。

产生式模型和判别式模型（Generative model vs. Discriminative model）,概率图模型（Graphical Models）,朴素贝叶斯分类器（ Naive Bayes Classifier）,隐马尔可夫模型（Hidden Markov Model，HMM）,最大熵模型（Maximum Entropy Model，MEM）,最大熵马尔可夫模型（MEMM）,条件随机场（conditional random fields，CRF）

不错的三类工具包，这里分享下，里面有代码，以及我遇到的一些问题说明。

条件随机场的推导和详细叙述

命名实体识别是自然语言处理的一项关键技术. 基于深度学习的方法已被广泛应用到中文实体识别研究中. 大多数深度学习模型的预处理主要注重词和字符的特征抽取, 却忽略词上下文的语义信息, 使其无法表征一词多义, 因而实体识别性能有待进一步提高. 为解决该问题, 本文提出了一种基于BERT-BiLSTM-CRF模型的研究方法. 首先通过BERT模型预处理生成基于上下文信息的词向量, 其次将训练出来的词向量输入BiLSTM-CRF模型做进一步训练处理. 实验结果表明, 该模型在MSRA语料和人民日报语料库上都达到相当不错的结果, F1值分别为94.65%和95.67%.

新闻报道中观点能够影响读者的感受，针对目前新闻报道中观点提取缺失的现状。本文提出一种条件随机场（CRF）和深度学习相结合的模型，通过集成深度学习的BiLSTM方法和改进型CRF方法，实现对新闻文章的观点持有者、评价对象和观点极性3种实体信息的提取。试验表明:相较于CRF算法，准确率、召回率和F1值平均提高12.29%、10.00%和11.07%。

条件随机场原理.pdf