34.1 马尔可夫随机场
马尔可夫随机场 (Markov Random Field，简称MRF) 是典型的马尔可夫网，是一种著名的无向图模型 (每个结点表示一个或一组变量，结点之间的边表示变量之间的相关性)。若其中任意两个结点之间都有边连接，则称此结点子集为一个"团"(clique)。若在一个团中加入任何另外一个结点都不再形成团，则称该团为"极大团"(maximal clique) <不可再发展的团>。
34.1.1 联合概率分布：基于团分解为势函数的乘积
在马尔可夫随机场中，对于n个变量x={x1, x2, ..., xn}，++变量之间的联合概率分布能够基于团分解为多个因子的乘积，每个因子仅与一个团相关++。
<在马尔可夫随机场中，"因子"(factor)是一组势函数(potential functions)，是定义在每个团的变量子集上的(非负)实函数，用于对团中的变量关系进行建模。>
令所有团构成的集合为C，团Q∈C对应的变量子集为xQ，团Q对应的因子(势函数)为ΨQ，则变量联合概率Px定义为：
其中，Z=Σx ∏(Q∈C)ΨQ(xQ) 为规范化因子 (在实际应用中，精确计算Z通常很困难，但许多任务往往并不需要获得Z的精确值)。注意到如果团Q不是极大团，则它必被一个极大团Q*所包含，这意味着团Q变量子集xQ变量之间的关系不仅体现在势函数ΨQ，还体现在ΨQ*中。所以，P(x)可基于极大团Q*定义：
如图 
x={x1, x2, ..., x6}其联合概率分布P(x)定义为
P(x) = (1/Z)Ψ12(x1,x2)Ψ13(x1,x3)Ψ24(x2,x4)Ψ35(x3,x5)Ψ256(x2,x5,x6)，
因为极大团{x2,x5,x6}的存在，不需要为Q{x2,x5}, Q{x2,x6}, Q{x5,x6}构建势函数，可由Ψ256替代。
34.1.2 势函数的作用
势函数 的作用是度量xQ中变量之间的相关性，且函数值越大说明对应的变量取值的联合概率越高。
如图 
说明此模型偏好变量xA与xC拥有相同的取值，而xB与xC拥有不同的取值 -- xA与xC相同且xB与xC不同的变量取值具有较高的联合概率。
为了满足非负性，势函数常被定义为指数函数，即
其中αuv和βv是参数。上式中的第二项仅考虑单个变量xv，第一项则考虑每一对变量(xu, xv)的相关性。
34.1.3 全局马尔可夫性及其证明与推论
在马尔可夫随机场中如何得到变量之间的"条件独立性"呢？
全局马尔可夫性(global Markov property)：给定两个变量子集的"分离集"，则这两个变量子集条件独立。
如图 
结点子集A中的结点到达B中的结点都必须经过C中的结点，则称A和B被C分离，C称为"分离集"(separatingset)；
令A,B和C对应的变量子集分别为xA,xB和xC，则xA和xB在给定xC的条件下独立，记为xA⊥xB|xC ；可得联合概率 P(xA,xB,xC) = (1/Z) ΨAC(xA, xC)ΨBC(xB, xC)。
证明：基于条件概率的定义可得
++P(xA,xB|xC)++ = P(xA,xB,xC)/P(xC) = P(xA,xB,xC) / Σ(x'A)Σ(x'B)P(x'A, x'B, xC)
= (1/Z)ΨAC(xA, xC)ΨBC(xB, xC) / Σ(x'A)Σ(x'B)(1/Z)ΨAC(x'A, xC)ΨBC(x'B, xC)
= ΨAC(xA, xC) ΨBC(xB, xC) / Σ(x'A)ΨAC(x'A, xC) Σ(x'B)ΨBC(x'B, xC)
= ΨAC(xA, xC)/Σ(x'A)ΨAC(x'A, xC) ΨBC(xB, xC)/Σ(x'B)ΨBC(x'B, xC)
++P(xA|xC)++ = P(xA,xC)/P(xC) = Σ(x'B)P(xA,x'B,xC) / Σ(x'A)Σ(x'B)P(x'A, x'B, xC)
= Σ(x'B)(1/Z)ΨAC(xA, xC)ΨBC(x'B, xC) / Σ(x'A)Σ(x'B)(1/Z)ΨAC(x'A, xC)ΨBC(x'B, xC)
= ΨAC(xA, xC)Σ(x'B)ΨBC(x'B, xC) / Σ(x'A)ΨAC(x'A, xC) Σ(x'B)ΨBC(x'B, xC)
= ΨAC(xA, xC)/Σ(x'A)ΨAC(x'A, xC)
++同理可得 P(xB|xC)++ = P(xB,xC)/P(xC) = Σ(x'A)P(x'A,xB,xC) / Σ(x'A)Σ(x'B)P(x'A, x'B, xC)
= ... = ΨC(xB, xC)/Σ(x'B)ΨBC(x'B, xC)
可得 P(xA,xB|xC) = P(xA|xC)P(xB|xC)，即xA和xB在给定xC时条件独立。
由全局马尔可夫性可得两个很有用的推论：
-
局部马尔可夫性(local Markov property)：给定某变量(如x1)的邻接变量(如x2,x3)，则此变量(如x1)条件独立于其他变量(如x4,x5,x6)。
-
成对马尔可夫性(pairwise Markov property)：给定所有其他变量，两个非邻接变量条件独立。
34.2 条件随机场
条件随机场 (Conditional Random Field，简称CRF) 是一种判别式无向图模型 (++可看作给定观测值的马尔可夫随机场++ ，也可看作对率回归的扩展)。
++条件随机场对多个变量在给定观测值后的条件概率进行建模：++ 令x={x1, x2, ..., xn}为观测序列，y={y1, y2, ..., yn}为与之相应的标记序列，条件随机场的目标是构建条件概率模型P(y|x)。
需注意，标记变量y可以是结构型变量，即其分量之间具有某种相关性。例如在自然语言处理的词性标注任务中，观测数据为语句(即单词序列)，标记为相应的词性序列，具有线性序列结构；在语法分析任务中，输出标记则是语法树，具有树形结构。
与马尔可夫随机场定义联合概率的方式类似，++条件随机场使用图结构上的团和势函数定义条件概率P(y|x)++ - ++通过选用指数势函数++ 并++引入特征函数(feature function)++ ，条件概率被定义为
P(y|x) = (1/Z) exp Σ(j)Σ(i=1,n-1) λj++tj(yi+1, yi, x, i)++ + Σ(k)Σ(i=1,n) μk++sk(yi, x, i)++
其中tj(yi+1,yi,x,i)是定义在(观测序列的)两个相邻标记变量i,i+1之间的++转移特征函数++ (transition feature function)，
sk(yi,x,i)是定义在(观测序列的)标记变量i上的++状态特征函数++(status feature function)，特征函数通常是实值函数；λj和μk为参数。
条件随机场和马尔可夫随机场均使用团上的势函数定义概率，两者在形式上没有显著区别；但条件随机场处理的是条件概率，而马尔可夫随机场处理的是联合概率。