1.給定語料，統計語料中的詞性為n，片語為m。
2.hmm關注3個引數
a.初始化概率
b.狀態轉移矩陣 n*n
c.觀測狀態概率矩陣 n*m
3.狀態轉移矩陣：詞a的詞性為詞性a，詞b的詞性為詞性b，ab為相連詞，從給定的語料中統計從詞性a轉換到詞性b出現的次數/詞性a轉換到所有可能轉換的詞性的次數為狀態轉移矩陣中的aij.所以有n*n個概率。
4.觀測狀態概率矩陣：詞性a下為詞a的次數/詞性a下所有詞的數目，所以為n*m。
5.初始化概率：求的是每個詞性的先驗概率，即為：詞性a出現的次數/總的詞性現的次數，長度為n的list，即為初始化概率。
詞性標註問題：
a.第一步是求出初始化狀態先驗概率，為初始化概率。
b.求出狀態轉移矩陣。
c.求出觀測狀態概率矩陣，以上這3步為hmm中的學習問題。
d.利用求出來的這3個引數，那麼就是乙個hmm模型，那麼就可以用著3個引數求出最大概率序列，即為hmm的**問題，
一階HMM詞性標註
手頭的語料庫依然是msr training.utf8和msr test.utf8，它來自於自于sighan bakeoff 2005的 icwb2 data.rar 1.rmspace.cpp研究院的訓練文件是已經分好詞，但我們並不需要這個結果，我們要使用計算所有分詞系統重新進行分詞並進行詞性標註，...
HMM與分詞 詞性標註 命名實體識別
hmm 隱馬爾可夫模型 是用來描述隱含未知引數的統計模型，舉乙個經典的例子 乙個東京的朋友每天根據天氣決定當天的活動中的一種，我每天只能在twitter上看到她發的推 啊，我前天公園散步 昨天購物 今天清理房間了！那麼我可以根據她發的推特推斷東京這三天的天氣。在這個例子裡，顯狀態是活動，隱狀態是天氣...
詞性標註的詞性說明
1.cc coordinating conjunction 連線詞 2.cd cardinal number 基數詞 3.dt determiner 限定詞 如this,that,these,those,such，不定限定詞 no,some,any,each,every,enough,either,...