序列标注，给定一个序列，找出序列中每个元素对应的标签。
中文分词、词性标注、命名实体识别都可以转化为序列标注问题。
词法分析：中文分词、词性标注、命名实体识别
中文分词：将文本分隔为有意义的词语
词性标注：确定每个词语的类别和浅层的歧义消除
命名实体识别：识别出较长的专有名词（人名、地名、机构名）
信息抽取、文本分类与文本聚类、句法分析（给译文重新排序）、语义分析与篇章分析（消除歧义）
语料库
词语种数：语料库中有多少个不重复的词语
总词频：所有词语的词频之和
词语种数和总词频分别用来衡量语料库用语的丰富程度和规模大小。
N元语法模型
N元语法模型利用前面N-1个单词来预测下一个单词。
单词序列模型是概率模型，概率模型是给单词的符号串指派概率的方法，不论是计算整个句子的概率，还是在一个序列中预测下一个单词的概率，都要使用概率模型。
马尔科夫模型是一种概率模型，假设不必查看很远的过去就可以遇见某个单位的将来概率。在二元语法模型的基础上，我们可以推广到三元语法模型（看过去2个单词），再推广到N元语法模型（看过去N-1个单词）。
将每个汉字组词时所处的位置（首尾等）作为标签，则可以将中文分词转化为给定给定汉字序列找出标签序列的问题，字构词是 序列标注 模型的一种应用。
HMM（Hidden Markov Model） 和 CRF
隐马尔可夫模型 和 条件随机场
马尔可夫假设：每个事件的发生概率只取决于前一个事件。
将满足马尔科夫假设的连续多个事件串联在一起，就构成了马尔可夫链。在NLP语境下，马尔可夫模型可以具象为二元语法模型。
隐马尔可夫模型是描述两个时序序列联合分布的概率模型，外界可见的称为观测序列，外界不可见的称为状态序列。
隐马尔可夫链包含状态序列和观测序列，满足两个假设：
1.当前状态仅仅依赖于前一个状态；
2.任意时刻的观测只依赖于该时刻的状态，与其他时刻的状态或观测独立无关。
标签：NLP,概率模型,模型,单词,概念,马尔可夫,序列,标注 From： https://www.cnblogs.com/pass-ion/p/17679243.html