1) conditional random fields
条件随机场
1.
Semantic role labeling based on conditional random fields;
基于条件随机场的语义角色标注(英文)
2.
Research of applying conditional random fields to Chinese lexical analysis;
应用条件随机场进行汉语词法分析研究
3.
Research of Chinese Word Segmentation with Conditional Random Fields;
基于条件随机场的汉语分词研究
2) conditional random field
条件随机场
1.
A Text Extraction Method for Image with Complex Background Based on Conditional Random Field
一种基于条件随机场的复杂背景图像文本抽取方法
2.
In order to enhance the utilization of context features for information extraction which is greatly restricted by the hidden Markov model(HMM),a method based on the conditional random fields(CRFs) is proposed to extract the information of paper header and citation from Chinese research papers.
由于隐马尔可夫模型不能充分利用对抽取有用的上下文特征,因此文中提出了一种基于条件随机场的中文科研论文头部和引文信息抽取方法,该方法的关键在于模型参数估计和特征选择。
3.
Firstly,a maximum a posteriori framework is created according to conditional random field model and Markov random field model.
首先根据条件随机场模型和马尔可夫随机场模型建立了一个最大后验概率框架。
3) CRFs
条件随机场
1.
CRFs Based Recognition of Chinese Verb-Object Collocation
基于条件随机场的汉语动宾搭配自动识别
2.
This paper proposes a method combining supervised learning with unsupervised method to conduct CWS,which incorporates unsupervised segmentation into Conditional Random Fields(CRFs).
即:将邻接类别方法引入基于条件随机场的中文分词系统中。
4) hidden conditional random fields
隐条件随机场
1.
The use of hidden conditional random fields (HCRFs) for tone modeling is explored.
为提高声调识别率,利用隐条件随机场对汉语声调进行建模,通过加入音节内动态特征、音节间动态特征以及段长特征来进一步提高声调识别性能。
2.
An adaptive video segmentation algorithm based on hidden conditional random fields(HCRFs) is proposed,which models spatio-temporal constraints of video sequence.
本文提出了一种基于隐条件随机场(Hidden conditional random fields,HCRF)的自适应视频分割算法,利用HCRF模型对视频序列中的时空邻域关系建模。
5) cascaded conditional random fields
层叠条件随机场
1.
Network intrusion recognition based on cascaded conditional random fields;
基于层叠条件随机场的网络入侵识别
2.
This paper presents a method for named entity recognition in the tourism domain based on the cascaded conditional random fields.
针对旅游领域,提出了一种基于层叠条件随机场模型的旅游领域命名实体识别方法。
3.
This paper presents an approach of CFN automatic tagging based on cascaded conditional random fields model.
提出了一种基于层叠条件随机场的CFN自动标注方法。
6) Conditional Random Fields
条件随机场模型
1.
For each task of EMD,we regard the problem as a sequence tagging task under the Conditional Random Fields(CRFs)framework and use combined character feature,phonetic feature,lexical feature,gazetteer feature and count-based features for model training All subtasks are arranged in a pipeline model wi.
本文提出一种基于多层次特征集成的中文实体指代识别方法,利用条件随机场模型的特征集成能力,综合使用字符、拼音、词及词性、各类专名列表、频次统计等各层次特征提高识别性能。
补充资料：广义随机场
广义随机场
random field, generalized
【补注】亦见随机场(m记om field).广义随机场[皿日田】云dd，90.司加闭;cjly，‘HOenO二0606川e“Hoel，广义随机过程(罗能阁讼分stochas康Proo巴洛) 光滑流形G上的随机函数(mndom丘Lnction)，它的典型的实现是定义在G上的广义函数.更确切地说、设G是一C。流形(光滑流形)，再设D(G)是定义在G上的紧支撑的无限次可微函数空间，具有在一致紧支撑上的函数列及其所有导数序列的一致收敛性的通常拓扑.这样，就可以在G上用给定的从D(G)到定义在某个概率空间(Q，黔，川上的随机变量空间L。(Q，忍，拜)的连续线性映射 D(G))L‘，(Q，忍，拼)，职~九，中6D(G)来定义广义随机场，这里Q是非空集合，黔是O的子集。代数，“是定义在毋上的概率测度，而随机变量空间L。(Q，黔，拜)具有依测度收敛(conVergenCeinn笼尧巧ure)拓扑(〔7]).当概率空间是G上广义函数空间D‘(G)，具有由D‘(G)中柱集生成的。代数黔。(见广义函数空间(罗配耐刘丘m由。留，印aceof)，柱集(q越n由rset))且映射由 j，(T)二(T，甲)，T‘D‘(G)，甲〔D(G)，给定的情形，广义随机场{凡:职〔D(G)}称为典型的(以加灿以1).任何一个在有限维流形G上的广义随机场概率同构于某一(唯一的)G上的典型随机场(见[2」). 这个定义容许很多自然的修正.例如，可以考虑向量值广义随机场或者在定义中用G上的检验函数的更广的空间(例如，在G=R”，n=l，2，…，的情形，S(R”)一C田可微函数连同其导数都比任意负幂{xl人，k=一1，一2，…，x〔R”下降迅速，这样的函数所成的空间)来代替空间D(G). 广义随机场的概念包括其实现是通常函数的古典随机场及过程.这一概念出现于见年代中期，当时许多自然的随机结构显而易见地不能够用古典随机场给予充分简单的表述，而可以用广义随机场的语言给出简单、优雅的描述.例如，D(Rn)，n=l，2，二，上的任意正定双线性形(，、，，:)一丁丁、(x，，xZ)，1(x，)，2(、2)dxldxZ， R，Rn职，，毋2‘刀(R”)，其中评(x，，xZ)是两个变量的正定对称广义函数，决定一个唯一的R”上具零均值的C透理粥广义随机场{几:中任D(R”)}，这个场的协方差是 J几.几2“。一‘，】，毋2’，其中#是D‘(R”)上与这个场对应的概率测度.仅当函数评(xl，xZ)充分好(例如连续有界)时，这个广义随机场才能转化成古典的.另一个例子是R”上的广义随机场(见〔6』)，其中没有古典场. 由于70年代早期发现了构造物理量子场的问题和R”(n>l)上MaPxoB广义随机场之间的联系，研究广义随机场(和特别是Ma琳oB场)的兴趣近年来一直在增长(见【5】).
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条