条件随机场的定义

条件随机场是给定随机变量$X$的条件下, 随机变量$Y$的马尔科夫随机场. 在条件概率模型$P(Y|X)$中, $Y$是输出变量, 表示标记序列, 也称为状态序列; $X$是输入变量, 表示观测序列.

学习时, 使用训练数据集通过(正则化的)极大似然估计得到条件概率模型$\hat{P}(Y|X)$.

预测时, 对于给定的输入序列$x$, 求出条件概率$\hat{P}(y|x)$最大的输出序列$\hat{y}$.

条件随机场

$X$与$Y$是随机变量, $P(Y|X)$是在给定$X$条件下, $Y$的条件概率分布. 若随机变量$Y$构成一个由无向图表示的马尔科夫随机场, 即:

$P(Y_v|X,Y_w,w\ne{v})=P(Y_v|X,Y_w,w\sim{v})$

其中, $w\sim{v}$表示无向图中与结点$v$有边连接的所有结点$w$, $w\ne{v}$表示无向图除结点$v$以外的所有其他结点.

如果上式对任意结点$v$成立, 则称条件概率分布$P(Y|X)$为条件随机场

线性链条件随机场

image

image

上面两图是线性链条件随机场, 第二张图是第一张的另一种表示.

图的结构即:

假设$X=(X_1, X_2, \cdots, X_n)$, $Y=(Y_1,Y_2,\cdots,Y_n)$, 在给定随机变量序列$X$的条件下, 随机变量序列$Y$的条件概率分布$P(Y|X)$构成条件随机场, 即满足马尔科夫性:

$P(Y_i|X,Y_1,Y_2,\cdots,Y_{i-1},Y_{i+1},\cdots,Y_n)=P(Y_i|X,Y_{i-1},Y_{i+1})$

则称条件概率$P(Y|X)$为线性链条件随机场.

上式是由局部马尔科夫性得到的, 因为对于满足局部马尔科夫:

$P(Y_u|Y_W)=P(Y_u|Y_O,Y_W)$

$Y_i$对应$Y_u$, $Y_{i-1}$与$Y_{i+1}$为与$Y_i$相连的点, 对应于$Y_W$, 其他的点对应于$Y_O$因此可以得到上式. 具体的无向图的马尔科夫性见无向图的介绍.

在第一张图中, 观察序列$X$的元素之间没有图结构, 即整个观察序列$X=(X_1, X_2, \cdots, X_n)$作为无向图中的一个点, 同时与所有状态点$Y=(Y_1,Y_2,\cdots,Y_n)$相连, 即有关系.

因此线性链条件随机场的图中, 共有$n-1$个最大包, 如$Y_1Y_2X$行程了一个最大包. 形如$Y_{i-1}Y_{i}X,\ i=2,3,\cdots,n$的子图, 就形成了最大包结构, 可以把条件概率分解成这些最大包函数的乘积形式.

条件随机场的参数化形式

首先定义两种特征函数:

• 转移特征

  转移特征是定义在边上的特征函数, 依赖于当前位置和前一个位置, 用$t_k$表示, 具体为$t_k(y_{i-1},y_i,x,i)$.

  一般定义为:

  $t_k(y_{i-1},y_i,x,i)= \begin{cases} 1,\ y_{i-1},y_{i},x,i\text{ meet certain conditions} \\ 0,\ \text{else} \end{cases}$

• 状态特征

  状态特征是定义在结点上的特征函数, 依赖于当前位置, 用$s_l$表示, 具体为$s_l(y_i,x,i)$

  $s_l(y_i,x,i)= \begin{cases} 1,\ y_{i},x,i\text{ meet certain conditions} \\ 0,\ \text{else} \end{cases}$

对于线性链条件随机场来说, 对条件概率$P(Y|X)$进行因子分解, 分解成每个最大包随机变量对应的势函数$\Phi_C(Y_C)$的乘积, 势函数通常为指数函数. 对于一个最大包, 在线性链条件随机场中, 就是相邻两个$Y$结点以及$X$结点, 其势函数的定义包含两部分: 1. 相邻状态结点的转移特征; 2. 状态结点的状态特征. 因此将所有的最大包的势函数相乘, 就得到:

$P(y|x)=\frac{1}{Z(x)}\exp\left(\sum\limits_{i,k}\lambda_kt_k(y_{i-1},y_i,x,i)+\sum\limits_{i,l}\mu_ls_l(y_i,x,i)\right)$

其中, $t_k$和$s_l$是特征函数, $\lambda_k$和$\mu_l$是对应的权值. $Z(x)$是规范化因子.

$Z(x)=\sum\limits_{y}\exp\left(\sum\limits_{i,k}\lambda_kt_k(y_{i-1},y_i,x,i)+\sum\limits_{i,l}\mu_ls_l(y_i,x,i)\right)$

这就是在观测序列取值为$x$, 状态序列取值为$y$的条件下, 条件概率$P(y|x)$的因子拆解形式.

可以看出, 与逻辑回归和最大熵模型一样, 线性链条件随机场也是对数线性模型.

条件随机场的简化形式

因为每个特征函数在各个位置$i$都有定义, 因此可以对同一个特征函数在各个位置求和, 将局部特征函数转化为一个全局特征函数.

这样就可以将条件随机场写成权值向量和特征向量的内积形式, 即条件随机场的简化形式.

1. 使用统一个符合表示转移特征和状态特征. 假设有$K_1$个转移特征, $K_2$特征, 那么总特征数量为$K=K_1+K_2$, 记为:

   $f_k(y_{i-1},y_{i},x,i)=\begin{cases} t_k(y_{i-1},y_i,x,i),\ k=1,2,\cdots,K_1 \\ s_l(y_i,x,i),\ k=K_1+l,\ l=1,2,\cdots,K_2 \end{cases}$

2. 对转移特征和状态特征在所有个位置$i$进行求和得到:

   $f_k(y,x)=\sum\limits_{i=1}^{n}f_k(y_{i-1},y_{i},x,i),\ k=1,2,\cdots,K$

3. $f_k(y,x)$的权值用$w_k$表示:

   $w_k=\begin{cases} \lambda_k,\ k=1,2,\cdots,K_1 \\ \mu_l,\ k=K_1+l,\ l=1,2,\cdots,K_2 \end{cases}$

4. 条件随机场因此可表示为:

   $P(y|x)=\frac{1}{Z(x)}\exp\sum\limits_{k=1}^Kw_kf_k(y,x)$

   $Z(x)=\sum\limits_{y}\exp\sum\limits_{k=1}^Kw_kf_k(y,x)$

5. 向量表示

   $\textbf{w}=(w_1,w_2,\cdots,w_K)^T$

   $\textbf{F}(y,x)=(f_1(y,x),f_2(y,x),\cdots,f_K(y,x))^T$

   则条件随机场可以写为:

   $P_w(y|x)=\frac{1}{Z_w(x)}\exp\left(\textbf{w}\cdot{\textbf{F}(y,x)}\right)$

   $Z_w(x)=\sum\limits_{y}\exp\left(\textbf{w}\cdot{\textbf{F}(y,x)}\right)$

条件随机场的矩阵形式

条件随机场$P_w(y|x)$可以通过矩阵的形式来表示. 引入状态序列的起点和终点的状态, $y_0=start$, 以及$y_{n+1}=stop$, 这里的$start,\ stop$都是可能的状态中其中的一个.

给定观测序列$x$, 在每一个位置$i=1,2,\cdots,n+1$定义一个$m$阶的矩阵, 其中$m$是$y_i$可能的状态的个数.

对于矩阵的其中一个元素, 我们如下定义:

$W_i(y_{i-1},y_i|x)=\sum\limits_{k=1}^Kw_kf_k(y_{i-1},y_{i},x,i)$

$M_i(y_{i-1},y_i|x)=\exp{W_i(y_{i-1},y_i|x)}$

则$M_i(y_{i-1},y_i|x)$是位置$i$对应的矩阵中, 由指定状态$y_{i-1}$到状态$y_i$对应的势函数的值.

将所有可能的状态及状态转移组合起来, 就得到了一个$m$阶的矩阵:

$M_i(x)=[M_i(y_{i-1},y_i|x)]_{m\times{m}}$

因此, 对于给定的观测序列$x$, 某一指定的标记序列$y$的非规范化概率可以通过$n+1$个矩阵的乘积来表示, 即有:

$P_w(y|x)=\frac{1}{Z_w(x)}\prod\limits_{i=1}^{n+1}M_i(y_{i-1},y_i|x)$

其中规范化因子$Z_w(x)$为$n+1$个矩阵的乘积最后得到的矩阵的在$(start,stop)$位置上的元素即:

$Z_w(x)=(M_1(x)M_2(x)\cdots M_{n+1}(x))_{start,stop}$