https://www.bilibili.com/video/BV1kE411G7qo?p=6
1. 词性标签
Wind v/n protest v/n
1）人为将词性（及物动词，不及物动词，名词复数，连词，标点）标注好后，进行语料库训练
同词有不同的词性，意义
例如 file ： 文件夹；搓子
2）构词方式
Rule-Based 指的是使用规则或语法： 名字后面接 形容词动词 等等； 但是不准确，被放弃了
3）通过统计 ‘still‘前面那个词的词性频率，来判断still词性
观察词性对，条件概率
2. 隐马尔科夫模型
1）简介
2）From mixture Model to HMM
伯努利分布：二项分布
3） 有几种硬币，现已知这些硬币的前一系列取值，预测下一次是正面的概率
如果只有一种硬币： P = c(正) / c(正) + c（反）
但有多种硬币： Expectation Maximum
4）Expectation Maximization
Π： 红色硬币占比
P：红色硬币朝上概率
Q：绿色硬币朝上概率
问： 下一次硬币朝上概率是多少？ 且不知道下一次硬币的颜色
由于我们不知道硬币的状态，引入隐藏状态 Z 
这里的P（x）为伯努利混合模型的核心公式
不知道这个H T 是红色硬币还是绿色掷出来的后 可以用 u（x）来估计
问： 如果已知所有样本的u（样本为红色的比率/概率） 求 Π（红色硬币占总硬币比例） p（红色H比例） q（绿色H比例）
给定u(t+1)时刻，求 Π p q ；再递归通过 Π p q求u（t+2）
4） 高斯混合模型
5） HMM
右下图是第一天晴天雨天下，第二天晴天雨天的概率
由上图是晴天雨天下，观察到的人的活动，Walk或者Clean
由于影响行动的天气状态不可观测（Hidden），所以叫隐马尔科夫链
能观察到的只有Action
能学习的有 transitional probability (右下图) 
6）假设有三个正态分布，
7） Pos Tagging
基于EM算法
8）词性转移矩阵，词性释放矩阵
NLP-06 语言技术 词性 / POS Tagging 概率图模型
原文：https://www.cnblogs.com/ChevisZhang/p/13579079.html