轉載自??通俗理解維特比算法

本文假定讀者有一定的隱馬模型基礎！或者大家可以參考這兩篇文章。

隱馬爾科夫模型-基本模型與三個基本問題和隱馬爾科夫模型-前向算法

維特比算法說白了就是動態規劃實現最短路徑，只要知道“動態規劃可以降低復雜度”這一點就能輕松理解維特比算法

維特比算法之所以重要，是因為凡是使用隱含馬爾可夫模型描述的問題都可以用它來解碼，包括今天的數字通信、語音識別、機器翻譯、拼音轉漢字、分詞等。——《數學之美》

下面我通過一個例子來解釋講解一下維特比算法！

?

詞性標注問題?? ? ? ? ? ?

首先介紹一下什么是詞性標注問題，比如我們有一句已經分詞好的句子。

dog chase mouse

那么我們就可以進行詞性標注為：

其中nn為名詞，vv為動詞。通過上面例子，我們就很容易看出詞性標注的任務。

那么我們來了一句話之后，比如我們的詞性字典中有nn,vv,prp(代詞)，我們怎么能夠找到dog

chase mouse 所對應的詞性標注呢，如果每一個單詞有nn，vv，prp三種可能，那么將會有3*3*3=27種可能，我們如何去挑選呢？

如下圖：

?

我們總共有27條路徑，那么如何得到我們Dog chase mouse的最優路徑呢？

我們至少可以遍歷每一條路徑，求出各自的概率值，然后挑選最大的即可，比如我們求第一條路徑的時候，可以這么表示：

所求的路徑對應如下圖紅色線條所示：

求第27條路徑的時候，我們可以這么表示：

?

所求的路徑對應如下圖紅色線條所示：

那么我們從上面可以知道，要求一個句子的最優詞性標注，我們至少可以遍歷所有的路徑，然后挑選概率值最大的那條路徑即可！！！

?

但是問題來了！?? ? ? ? ? ?

給定模型，求給定長度為T的觀測序列(這里指的就是Dog Chase Mouse)的概率，直接計算法的思路是枚舉所有的長度T（例子中是三個，Dog，Chase，Mouse總共三個單詞）的狀態序列，計算該狀態序列與觀測序列的聯合概率（隱狀態發射到觀測），對所有的枚舉項求和即可。

在狀態種類為N(例子中就是三個，NN，VV,PRP)的情況下，一共有 N^T種排列組合，每種組合計算聯合概率的計算量為T，總的復雜度為0(TN^T)，這并不可取。

于是維特比算法隆重登場了！！

?

維特比算法?

好了，到現在為止，我們假定我們已經訓練好了一個隱馬爾可夫模型了（訓練好的意思，也就是單詞到詞性的發射概率，詞性與詞性的轉移概率都已經在訓練數據中學習得到了），來了一句話，Dog Chase Mouse，我如何得到它的詞性標注序列？

首先先上一個維特比算法流程圖：

是不是非常暈，好吧，我下面爭取按自己的話幫助大家理解一遍，再附上相應邏輯的代碼！

解釋如下：

?

實現代碼如下：

總結

以上是生活随笔為你收集整理的通俗理解维特比算法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。